論文の概要: GAIDE: Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning
- arxiv url: http://arxiv.org/abs/2603.04463v1
- Date: Tue, 03 Mar 2026 17:35:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.906767
- Title: GAIDE: Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning
- Title（参考訳）: GAIDE:空間的・身体的運動計画のためのグラフベースの意識マスキング
- Authors: Davood Soleymanzadeh, Xiao Liang, Minghui Zheng,
- Abstract要約: 空間と身体を意識した運動計画(GAIDE)のためのグラフベースの意識マスキングについて紹介する。
GAIDEはこれらの構造をグラフとして表現し、アテンションマスキングを通じてトランスフォーマーベースのニューラルサンプリング器に統合する。
我々は,一様サンプリング,手作りインフォメーションサンプリング,ニューラルインフォメーションサンプリングプリミティブを用いた,最先端のサンプリングベースプランナに対するGAIDEの評価を行った。
- 参考スコア（独自算出の注目度）: 3.4672098154671995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sampling-based motion planning algorithms are widely used for motion planning of robotic manipulators, but they often struggle with sample inefficiency in high-dimensional configuration spaces due to their reliance on uniform or hand-crafted informed sampling primitives. Neural informed samplers address this limitation by learning the sampling distribution from prior planning experience to guide the motion planner towards planning goal. However, existing approaches often struggle to encode the spatial structure inherent in motion planning problems. To address this limitation, we introduce Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning (GAIDE), a neural informed sampler that leverages both the spatial structure of the planning problem and the robotic manipulator's embodiment to guide the planning algorithm. GAIDE represents these structures as a graph and integrates it into a transformer-based neural sampler through attention masking. We evaluate GAIDE against baseline state-of-the-art sampling-based planners using uniform sampling, hand-crafted informed sampling, and neural informed sampling primitives. Evaluation results demonstrate that GAIDE improves planning efficiency and success rate.
- Abstract（参考訳）: サンプリングに基づく動作計画アルゴリズムは、ロボットマニピュレータの動作計画に広く用いられているが、一様または手作りのインフォメーションサンプリングプリミティブに依存するため、高次元構成空間におけるサンプルの非効率性に苦慮することが多い。
ニューラルインフォメータは、事前の計画経験からサンプリング分布を学習し、運動プランナーを計画目標に向けて導くことにより、この制限に対処する。
しかし、既存のアプローチはしばしば、運動計画問題に固有の空間構造を符号化するのに苦労する。
この制限に対処するために,計画問題の空間構造とロボットマニピュレータの具体化の両方を活用して計画アルゴリズムを導出する神経情報サンプリング装置であるGAIDE (Graph-based Attention Masking for spatial- and Embodiment-aware Motion Planning) を導入する。
GAIDEはこれらの構造をグラフとして表現し、アテンションマスキングを通じてトランスフォーマーベースのニューラルサンプリング器に統合する。
我々は,一様サンプリング,手作りインフォメーションサンプリング,ニューラルインフォメーションサンプリングプリミティブを用いた,最先端のサンプリングベースプランナに対するGAIDEの評価を行った。
評価結果は,GAIDEが計画効率と成功率を向上させることを示した。
関連論文リスト
- Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。
Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
論文 参考訳（メタデータ） (2026-03-13T05:42:18Z) - Global Tensor Motion Planning [18.678206099088843]
グローバルモーションプランニング(GTMP)は、テンソル操作のみを含むサンプリングベースのモーションプランニングアルゴリズムである。
ランダムな多部グラフとして表現される新しい離散化構造を導入し,効率的なベクトル化サンプリング,衝突チェック,探索を可能にした。
ライダースキャンされた占有マップとMotionBenchMarkerデータセットの実験は、ベースラインと比較して、バッチ計画におけるGTMPの効率を実証している。
論文 参考訳（メタデータ） (2024-11-28T22:07:46Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。
本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。
古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
論文 参考訳（メタデータ） (2023-06-22T20:40:24Z) - Reducing Collision Checking for Sampling-Based Motion Planning Using
Graph Neural Networks [10.698553177585973]
本研究では,衝突チェックを減らし,動作計画の高速化を図るための新しい学習手法を提案する。
経路探索と経路平滑化を行うグラフニューラルネットワーク(GNN)を訓練する。
実験の結果,学習したコンポーネントは衝突チェックを著しく低減し,全体の計画効率を向上できることがわかった。
論文 参考訳（メタデータ） (2022-10-17T09:02:04Z) - Neural Motion Planning for Autonomous Parking [6.1805402105389895]
本稿では,より深い生成ネットワークと従来の動き計画手法を組み合わせたハイブリッドな動き計画手法を提案する。
提案手法は与えられた状態の表現を効果的に学習し,アルゴリズムの性能向上を示す。
論文 参考訳（メタデータ） (2021-11-12T14:29:38Z) - Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。
RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。
臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文 参考訳（メタデータ） (2020-06-11T08:19:06Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T18:54:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。