論文の概要: Coupling Tensor Trains with Graph of Convex Sets: Effective Compression, Exploration, and Planning in the C-Space

• arxiv url: http://arxiv.org/abs/2603.11658v1
• Date: Thu, 12 Mar 2026 08:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.720789
• Title: Coupling Tensor Trains with Graph of Convex Sets: Effective Compression, Exploration, and Planning in the C-Space
• Title（参考訳）: 凸集合グラフを用いたテンソルトレインの結合:C空間における効率的な圧縮・探索・計画
• Authors: Gerhard Reinerth, Riddhiman Laha, Marcello Romano,
• Abstract要約: 本稿では,テンソルベース圧縮と構造化グラフ最適化を統合した新しい動き計画フレームワークであるTANGOを提案する。 テンソルベースの圧縮と構造化グラフ推論を結合することにより、TANGOは効率的な幾何学的動き計画を可能にし、将来のロボットシステムにおける構成空間のより表現力が高くスケーラブルな表現の基盤となる。
• 参考スコア（独自算出の注目度）: 2.449133239966462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present TANGO (Tensor ANd Graph Optimization), a novel motion planning framework that integrates tensor-based compression with structured graph optimization to enable efficient and scalable trajectory generation. While optimization-based planners such as the Graph of Convex Sets (GCS) offer powerful tools for generating smooth, optimal trajectories, they typically rely on a predefined convex characterization of the high-dimensional configuration space-a requirement that is often intractable for general robotic tasks. TANGO builds further by using Tensor Train decomposition to approximate the feasible configuration space in a compressed form, enabling rapid discovery and estimation of task-relevant regions. These regions are then embedded into a GCS-like structure, allowing for geometry-aware motion planning that respects both system constraints and environmental complexity. By coupling tensor-based compression with structured graph reasoning, TANGO enables efficient, geometry-aware motion planning and lays the groundwork for more expressive and scalable representations of configuration space in future robotic systems. Rigorous simulation studies on planar and real robots reinforce our claims of effective compression and higher quality trajectories.
• Abstract（参考訳）: 我々は,テンソルベース圧縮と構造化グラフ最適化を統合し,効率的かつスケーラブルな軌道生成を実現する新しい動き計画フレームワークであるTANGO(Tensor ANd Graph Optimization)を提案する。 グラフ・オブ・コンベックス・セット(GCS)のような最適化ベースのプランナーは、スムーズで最適な軌跡を生成する強力なツールを提供するが、通常、それらは高次元構成空間の事前定義された凸特性に依存している。 TANGOはさらに、Tensor Train分解を用いて圧縮形式で実行可能な構成空間を近似することで、タスク関連領域の迅速な発見と推定を可能にしている。 これらの領域はGCSのような構造に埋め込まれ、システム制約と環境の複雑さの両方を尊重する幾何対応の運動計画が可能である。 テンソルベースの圧縮と構造化グラフ推論を結合することにより、TANGOは効率的な幾何学的動き計画を可能にし、将来のロボットシステムにおける構成空間のより表現力が高くスケーラブルな表現の基盤となる。 平面ロボットと実ロボットの厳密なシミュレーションにより、効率的な圧縮と高品質な軌道の主張が強化される。

関連論文リスト

• GSPlane: Concise and Accurate Planar Reconstruction via Structured Representation [30.083162532688096]
  GSPlaneは正確な形状を復元し、平面領域に対してクリーンでよく構造化されたメッシュ接続を生成する。 また、支持平面上のオブジェクトの分離と柔軟な操作を可能にする構造化平面表現の応用についても検討する。
  論文  参考訳（メタデータ） (2025-10-20T01:59:21Z)
• Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
  グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。 従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。 タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-18T08:13:24Z)
• 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)
• 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)
• Sequential Manipulation Planning on Scene Graph [90.28117916077073]
  我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。 ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。 次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
  論文  参考訳（メタデータ） (2022-07-10T02:01:33Z)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。