論文の概要: Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators
- arxiv url: http://arxiv.org/abs/2603.04547v1
- Date: Wed, 04 Mar 2026 19:31:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.910443
- Title: Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators
- Title（参考訳）: Many-RRT*:シリアルマニピュレータのロバスト結合空間軌道計画
- Abstract要約: マニピュレータの関節空間における計画は、非可逆的な前方運動学による重要な課題を呈する。
Many-RRT* は RRT*-Connect の拡張であり、複数の目標を並行して計画している。
- 参考スコア（独自算出の注目度）: 1.157930969832493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid advancement of high degree-of-freedom (DoF) serial manipulators necessitates the use of swift, sampling-based motion planners for high-dimensional spaces. While sampling-based planners like the Rapidly-Exploring Random Tree (RRT) are widely used, planning in the manipulator's joint space presents significant challenges due to non-invertible forward kinematics. A single task-space end-effector pose can correspond to multiple configuration-space states, creating a multi-arm bandit problem for the planner. In complex environments, simply choosing the wrong joint space goal can result in suboptimal trajectories or even failure to find a viable plan. To address this planning problem, we propose Many-RRT*: an extension of RRT*-Connect that plans to multiple goals in parallel. By generating multiple IK solutions and growing independent trees from these goal configurations simultaneously alongside a single start tree, Many-RRT* ensures that computational effort is not wasted on suboptimal IK solutions. This approach maintains robust convergence and asymptotic optimality. Experimental evaluations across robot morphologies and diverse obstacle environments demonstrate that Many-RRT* provides higher quality trajectories (44.5% lower cost in the same runtime) with a significantly higher success rate (100% vs. the next best of 1.6%) than previous RRT iterations without compromising on runtime performance.
- Abstract（参考訳）: 高次自由度(DoF)シリアルマニピュレータの急速な進歩は、高次元空間に対する迅速なサンプリングベースのモーションプランナーの使用を必要とする。
ラピッド・探索ランダムツリー (Rapidly-Exploring Random Tree, RRT) のようなサンプリングベースのプランナーが広く使われているが、マニピュレータのジョイントスペースでの計画には、非可逆的な前方運動学による大きな課題がある。
単一タスク空間のエンドエフェクタのポーズは、複数の設定空間の状態に対応でき、プランナーのマルチアームバンディット問題を生成する。
複雑な環境では、間違った宇宙目標を選択するだけで、最適以下の軌道や、実行可能な計画を見つけるのに失敗する可能性がある。
この計画問題に対処するために,複数の目標を並行して計画するMulti-RRT*: RRT*-Connectの拡張を提案する。
複数のIKソリューションを生成し、これらの目標設定から独立木を1つのスタートツリーと同時に成長させることで、Multi-RRT*は、最適化されたIKソリューションでは計算作業が無駄にならないことを保証します。
このアプローチは、堅牢な収束と漸近的最適性を維持している。
ロボット形態学と様々な障害物環境の実験的評価により、Multi-RRT*は、実行時のパフォーマンスを損なうことなく、以前のRTイテレーションよりもはるかに高い成功率(100%対1.6%)で、より高い品質の軌道(同じランタイムにおける44.5%のコスト)を提供することが示された。
関連論文リスト
- Search-Based Spatiotemporal and Multi-Robot Motion Planning on Graphs of Space-Time Convex Sets [4.512110686124693]
時空間凸集合(ST-GCS)のグラフに基づくアルゴリズムフレームワークを提案する。
マルチロボット動作計画では,ST-GCS計画とECDを優先計画手法に統合する。
大規模なデモのために提案されているマルチロボットモーションプランナーは、数分で最大100ドル(約1万1000円)のロボットのインスタンスを解決できる。
論文 参考訳（メタデータ） (2026-07-01T04:58:00Z) - TCBiRRT: Rapid Motion Planning for Tightly Coupled Dual-arm Space Manipulator Using Task-space Random Expansion [13.227911126048731]
閉鎖制約下での密結合型双腕空間マニピュレータの運動経路の計画は、基本的かつ困難な問題である。
本稿では,タスク空間制約付き双方向高速探索ランダムツリーアルゴリズムTCBiRRTを提案する。
論文 参考訳（メタデータ） (2026-05-26T15:24:07Z) - Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。
タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。
我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-22T22:58:47Z) - HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。
我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-04T04:12:47Z) - Integrated Multi-Drone Task Allocation, Sequencing, and Optimal Trajectory Generation in Obstacle-Rich 3D Environments [0.0]
IMD-TAPP(Integrated Multi-Drone Task Allocation and Path Planning)は,多ゴールアロケーション,ツアーシークエンシング,および障害物の多い空間で動作する四角形チームのための安全な軌道生成を行うエンドツーエンドのフレームワークである。
複数の目標を達成する2つのドローンによる代表的なケーススタディでは、提案手法は実行中に必要な安全制約を維持しながら、最低ミッション時間は136秒に達する。
論文 参考訳（メタデータ） (2026-03-26T00:46:26Z) - RRT$^η$: Sampling-based Motion Planning and Control from STL Specifications using Arithmetic-Geometric Mean Robustness [7.121834057343983]
RRT$は,時間点とサブ形式をまたいだロバストネス対策を統合するサンプリングベースの計画フレームワークである。
誘導信号が制限されたマルチ制約シナリオにおいて,従来のSTLロバスト性に基づくプランナよりも優れた性能を示す。
論文 参考訳（メタデータ） (2026-02-18T19:45:43Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Reinforcement learning with combinatorial actions for coupled restless bandits [62.89013331120493]
提案するSEQUOIAは,動作空間に対する長期報酬を直接最適化するRLアルゴリズムである。
我々は,複数介入,経路制約,二部間マッチング,容量制約という,制約を伴う4つの新しいレスレス・バンディット問題に対して,SEQUOIAを実証的に検証した。
論文 参考訳（メタデータ） (2025-03-01T21:25:21Z) - Space-Time Graphs of Convex Sets for Multi-Robot Motion Planning [2.3416394753138037]
MRMP(Multi-Robot Motion Planning)は、連続環境における複数ロボットの衝突のない軌道の計算問題である。
本研究では,無衝突時空間領域をランダムサンプリングに頼るのではなく,無衝突時空間領域で体系的にカバーする新しいプランナである,凸集合の空間時間グラフ(ST-GCS)を提案する。
また,コンベックス分解(ECD)を時間的障害としてトラジェクトリを「保存」するために提案し,その後の計画のための衝突のない時空間グラフセットの維持に対処する。
論文 参考訳（メタデータ） (2025-03-01T18:28:57Z) - Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。
本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
論文 参考訳（メタデータ） (2025-02-05T20:51:28Z) - SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
無線対応経路計画フレームワークであるSCoTTを提案する。
SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。
また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
論文 参考訳（メタデータ） (2024-11-27T10:45:49Z) - Accelerating Search-Based Planning for Multi-Robot Manipulation by Leveraging Online-Generated Experiences [20.879194337982803]
MAPF(Multi-Agent Path-Finding)アルゴリズムは、離散的な2Dドメインで保証され、厳密な保証を提供する。
本稿では,その反復的かつ漸進的な性質を活用して,競合に基づく探索アルゴリズムを高速化する手法を提案する。
論文 参考訳（メタデータ） (2024-03-29T20:31:07Z) - Trajectory Planning for Autonomous Vehicles Using Hierarchical
Reinforcement Learning [21.500697097095408]
不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。
RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。
軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
論文 参考訳（メタデータ） (2020-11-09T20:49:54Z)
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。