論文の概要: CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field

• arxiv url: http://arxiv.org/abs/2603.18669v1
• Date: Thu, 19 Mar 2026 09:31:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.982736
• Title: CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field
• Title（参考訳）: CSSDF-Net: 構成空間距離場のニューラルインシシシト表現に基づく安全な運動計画
• Authors: Haohua Chen, Yixuan Zhou, Yifan Zhou, Hesheng Wang,
• Abstract要約: 非構造環境における高次元マニピュレータ操作には、異なるシーンに依存しない距離問合せ機構が必要である。 CSSDF-Netは、連続署名された距離フィールドを構成空間内で直接学習し、共同空間距離と勾配クエリを提供する。 平面アームと7-DoFマニピュレータの実験は、静的および動的シーンにおける安定した勾配、効果的な衝突回避を示す。
• 参考スコア（独自算出の注目度）: 23.48697826890044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional manipulator operation in unstructured environments requires a differentiable, scene-agnostic distance query mechanism to guide safe motion generation. Existing geometric collision checkers are typically non-differentiable, while workspace-based implicit distance models are hindered by the highly nonlinear workspace--configuration mapping and often suffer from poor convergence; moreover, self-collision and environment collision are commonly handled as separate constraints. We propose Configuration-Space Signed Distance Field-Net (CSSDF-Net), which learns a continuous signed distance field directly in configuration space to provide joint-space distance and gradient queries under a unified geometric notion of safety. To enable zero-shot generalization without environment-specific retraining, we introduce a spatial-hashing-based data generation pipeline that encodes robot-centric geometric priors and supports efficient retrieval of risk configurations for arbitrary obstacle point sets. The learned distance field is integrated into safety-constrained trajectory optimization and receding-horizon MPC, enabling both offline planning and online reactive avoidance. Experiments on a planar arm and a 7-DoF manipulator demonstrate stable gradients, effective collision avoidance in static and dynamic scenes, and practical inference latency for large-scale point-cloud queries, supporting deployment in previously unseen environments.
• Abstract（参考訳）: 非構造環境における高次元マニピュレータ操作は、安全な動き生成を導くために、異なるシーンに依存しない距離クエリ機構を必要とする。 既存の幾何学的衝突チェッカーは、通常微分不可能であるが、ワークスペースに基づく暗黙距離モデルは、非常に非線形なワークスペースマッピングによって妨げられ、しばしば収束不良に悩まされる。 構成空間における連続的な符号付き距離場を直接学習し、安全という統一的な幾何学的概念の下で、共同空間距離および勾配クエリを提供する構成空間符号付き距離場ネット(CSSDF-Net)を提案する。 環境に特化しないゼロショットの一般化を実現するため,ロボット中心の幾何学的前提を符号化した空間ハッシュに基づくデータ生成パイプラインを導入し,任意の障害物点集合に対するリスク構成の効率的な検索を支援する。 学習した距離場は、安全制約された軌道最適化と後退水平MPCに統合され、オフライン計画とオンラインの反応性回避の両方を可能にする。 平面アームと7-DoFマニピュレータの実験では、安定な勾配、静的および動的シーンでの効果的な衝突回避、大規模ポイントクラウドクエリの実用的な推論遅延、以前は目に見えない環境でのデプロイメントのサポートが示されている。

関連論文リスト

• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• SAFE--MA--RRT: Multi-Agent Motion Planning with Data-Driven Safety Certificates [6.77934423529734]
  本稿では,同種線形マルチエージェントシステムのための完全なデータ駆動型モーションプランニングフレームワークを提案する。 各エージェントは実験データからクローズドループの挙動を独立に学習する。 サンプリングベースのプランナーは、隣接する楕円体が重なり合う場合にのみ遷移が許されるような経路点のツリーを構築する。
  論文  参考訳（メタデータ） (2025-09-04T17:34:59Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• Outlier-Robust Long-Term Robotic Mapping Leveraging Ground Segmentation [1.7948767405202701]
  箱から出られる堅牢な長期ロボットマッピングシステムを提案する。 i) 外れ値の存在を否定する高速で頑健な接地分割を提案する。 粗悪なアウトリールの存在を包含する地盤セグメンテーションによるロバストな登録を提案する。
  論文  参考訳（メタデータ） (2024-05-18T04:56:15Z)
• Language-Conditioned Path Planning [68.13248140217222]
  LACO(Language-Conditioned Collision Functions)は、単一ビューイメージ、言語プロンプト、ロボット構成のみを使用して衝突関数を学習する。 LACOはロボットと環境の衝突を予測し、オブジェクトアノテーション、ポイントクラウドデータ、地平線オブジェクトメッシュを必要とせずに、柔軟な条件付きパス計画を可能にする。 シミュレーションと実世界の両方において、LACOは衝突を禁止せず、衝突の安全な物体との相互作用を可能にする複雑な、ニュアンスのある経路計画を促進することを実証している。
  論文  参考訳（メタデータ） (2023-08-31T17:56:13Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。