論文の概要: ToMPC: Task-oriented Model Predictive Control via ADMM for Safe Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2603.13944v1
• Date: Sat, 14 Mar 2026 13:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.802236
• Title: ToMPC: Task-oriented Model Predictive Control via ADMM for Safe Robotic Manipulation
• Title（参考訳）: ToMPC: 安全なロボットマニピュレーションのためのADMMによるタスク指向モデル予測制御
• Authors: Xinyu Jia, Wenxin Wang, Jun Yang, Yongping Pan, Haoyong Yu,
• Abstract要約: このフレームワークは、衝突のない動きとロボット環境の相互作用を統一し、多様なシナリオに対処する。 また、運動の冗長性を活用して障害物環境の操作効率を高めるタスク指向の障害物回避も導入している。 その結果, フレームワークはリアルタイムに動きや力の軌跡を計画し, 障害物を避けながら操作範囲を最大化し, 安全に関する厳密な制約に固執できることがわかった。
• 参考スコア（独自算出の注目度）: 20.83011691536596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a task-oriented model predictive control (ToMPC) framework for safe and efficient robotic manipulation in open workspaces. The framework unifies collision-free motion and robot-environment interaction to address diverse scenarios. Additionally, it introduces task-oriented obstacle avoidance that leverages kinematic redundancy to enhance manipulation efficiency in obstructed environments. This complex optimization problem is solved by the alternating direction method of multipliers (ADMM), which decomposes the problem into two subproblems tackled by differential dynamic programming (DDP) and quadratic programming (QP), respectively. The effectiveness of this approach is validated in simulation and hardware experiments on a Franka Panda robotic manipulator. Results demonstrate that the framework can plan motion and/or force trajectories in real time, maximize the manipulation range while avoiding obstacles, and strictly adhere to safety-related hard constraints.
• Abstract（参考訳）: 本稿では,オープンワークスペースにおける安全かつ効率的なロボット操作のためのタスク指向モデル予測制御(ToMPC)フレームワークを提案する。 このフレームワークは、衝突のない動きとロボット環境の相互作用を統一し、多様なシナリオに対処する。 さらに,障害環境における操作効率を高めるために,運動的冗長性を活用するタスク指向障害物回避を導入している。 この複雑な最適化問題は乗算器の交互方向法(ADMM)によって解決され、微分動的計画法(DDP)と二次計画法(QP)の2つのサブプロブレムに分解される。 このアプローチの有効性は、Franka Pandaロボットマニピュレータのシミュレーションおよびハードウェア実験で検証されている。 その結果, フレームワークはリアルタイムに動きや力の軌跡を計画し, 障害物を避けながら操作範囲を最大化し, 安全に関する厳密な制約に固執できることがわかった。

関連論文リスト

• 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)
• 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)
• Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
  本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。 モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:10:14Z)
• Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics [0.0]
  人間とロボットの相互作用や脆弱な物体のハンドリングのような多くのロボットタスクは、安全かつ高性能な操作を実現するために、動き制御と共に現れる力とモーメントの厳密な制御と制限を必要とする。 本研究では,学習支援型モデル予測力と運動制御方式を提案する。
  論文  参考訳（メタデータ） (2023-03-08T13:30:02Z)
• Differentiable Constrained Imitation Learning for Robot Motion Planning and Control [0.26999000177990923]
  我々は,交通エージェントのシミュレーションだけでなく,ロボットの動作計画と制御を制約するフレームワークを開発した。 モバイルロボットと自動運転アプリケーションに焦点をあてる。 移動ロボットナビゲーションと自動走行のシミュレーション実験は,提案手法の性能を示す証拠となる。
  論文  参考訳（メタデータ） (2022-10-21T08:19:45Z)
• Constrained Dynamic Movement Primitives for Safe Learning of Motor Skills [25.06692536893836]
  ロボット作業空間における制約満足度を実現するための制約付き動的運動プリミティブ(CDMP)を提案する。 異なる環境における異なるマニピュレータを用いた提案アルゴリズムの実装を示すビデオがここにある。
  論文  参考訳（メタデータ） (2022-09-28T22:59:33Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Towards Safe Control of Continuum Manipulator Using Shielded Multiagent Reinforcement Learning [1.2647816797166165]
  ロボットの制御は、MADQNフレームワークにおける1つのエージェント問題である1-DoFとして定式化され、学習効率が向上する。 シールドされたMADQNにより、ロボットは外部負荷下で、サブミリ単位のルート平均二乗誤差で点と軌道追跡を行うことができた。
  論文  参考訳（メタデータ） (2021-06-15T05:55:05Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。