論文の概要: COSMIK-MPPI: Scaling Constrained Model Predictive Control to Collision Avoidance in Close-Proximity Dynamic Human Environments
- arxiv url: http://arxiv.org/abs/2604.10358v1
- Date: Sat, 11 Apr 2026 22:04:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.976078
- Title: COSMIK-MPPI: Scaling Constrained Model Predictive Control to Collision Avoidance in Close-Proximity Dynamic Human Environments
- Title（参考訳）: COSMIK-MPPI:近接確率動的人間環境における衝突回避のための制約付きモデル予測制御のスケーリング
- Authors: Ege Gursoy, Maxime Sabbah, Arthur Haffemayer, Joao Cavalcanti Santos, Pietro Noah Crestaz, Vladimir Petrik, Nicolas Mansard, Vincent Bonnet,
- Abstract要約: モデル予測制御(MPC)は、制約を扱う能力のおかげで、適切なフレームワークとして登場した。
GB-MPCソルバは複雑な環境下での衝突回避性能に限界があることを示した。
本稿では,MPPIと人間の動き推定ツールボックスを組み合わせた衝突回避フレームワークCOSMIK-MPPIを提案する。
- 参考スコア（独自算出の注目度）: 4.711880574101941
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensuring safe physical interaction between torque-controlled manipulators and humans is essential for deploying robots in everyday environments. Model Predictive Control (MPC) has emerged as a suitable framework thanks to its capacity to handle hard constraints, provide strong guarantees and zero-shot adaptability through predictive reasoning. However, Gradient-Based MPC (GB-MPC) solvers have demonstrated limited performance for collision avoidance in complex environments. Sampling-based approaches such as Model Predictive Path Integral (MPPI) control offer an alternative via stochastic rollouts, but enforcing safety via additive penalties is inherently fragile, as it provides no formal constraint satisfaction guarantees. We propose a collision avoidance framework called COSMIK-MPPI combining MPPI with the toolbox for human motion estimation RT-COSMIK and the Constraints-as-Terminations transcription, which enforces safety by treating constraint violations as terminal events, without relying on large penalty terms or explicit human motion prediction. The proposed approach is evaluated against state-of-the-art GB-MPC and vanilla MPPI in simulation and on a real manipulator arm. Results show that COSMIK-MPPI achieves a 100% task success rate with a constant computation time (22 ms), largely outperforming GB-MPC. In simulated infeasible scenarios, COSMIK-MPPI consistently generates collision-free trajectories, contrary to vanilla MPPI. These properties enabled safe execution of complex real-world human-robot interaction tasks in shared workspaces using an affordable markerless human motion estimator, demonstrating a robust, compliant, and practical solution for predictive collision avoidance (cf. results showcased at https://exquisite-parfait-ffa925.netlify.app)
- Abstract（参考訳）: トルク制御マニピュレータと人間との安全な物理的相互作用を確保することは、ロボットを日常の環境に配置するのに不可欠である。
モデル予測制御(MPC)は、厳密な制約を処理し、強力な保証と予測推論によるゼロショット適応性を提供することにより、適切なフレームワークとして登場した。
しかし,GB-MPC (Gradient-Based MPC) は複雑な環境下での衝突回避性能に限界がある。
モデル予測パス積分(MPPI)制御のようなサンプリングベースのアプローチは、確率的なロールアウトによる代替手段を提供するが、追加の罰則による安全性の強制は本質的に脆弱である。
本稿では,MPPIとRT-COSMIKのツールボックスを組み合わせた衝突回避フレームワークCOSMIK-MPPIを提案する。
提案手法は,シミュレーションおよび実際のマニピュレータアームにおいて,最先端のGB-MPCとバニラMPPIに対して評価される。
その結果, COSMIK-MPPIは, 連続計算時間(22ms)で100%のタスク成功率を達成し, GB-MPCよりも優れていた。
シミュレーション不可能なシナリオでは、COSMIK-MPPIはバニラMPPIとは対照的に、一貫して無衝突軌道を生成する。
これらの特性は、手頃なマーカーのないヒトの動き推定器を用いて、共有ワークスペースにおける複雑な現実世界の人間とロボットの相互作用タスクの安全な実行を可能にし、予測衝突回避のための堅牢でコンプライアンスのとれた実用的なソリューションを実証した(cf. results showed at https://exquisite-parfait-ffa925.netlify.app)。
関連論文リスト
- CMP: Robust Whole-Body Tracking for Loco-Manipulation via Competence Manifold Projection [64.65196237023754]
Manifold Competence Projectionは、アウト・オブ・ディストリビューションの摂動に対する堅牢性を改善する。
我々は、無限水平安全制約を計算効率の良い単段多様体包含に変換するフレーム-ワイズ安全スキームを用いる。
実験により、CMPは典型的なOODシナリオで最大10倍の生存率向上を達成することが示された。
論文 参考訳（メタデータ） (2026-04-08T18:00:39Z) - ToMPC: Task-oriented Model Predictive Control via ADMM for Safe Robotic Manipulation [20.83011691536596]
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。
論文 参考訳（メタデータ） (2026-03-14T13:35:24Z) - Provably Safe Trajectory Generation for Manipulators Under Motion and Environmental Uncertainties [26.41382315967256]
本稿では,安全な最適動作計画の必要性に対処する,リスクバウンドな新しい動き計画フレームワークを提案する。
動作不確実性下でのロボットの状態分布を予測するために,剛性マニピュレータ深部クープマン演算子 (RM-DeKO) モデルを統合する。
次に,並列物理シミュレーションとSOS(Sum-of-squares)プログラミングを併用して,衝突リスクのきめ細かい形式的証明を行う,効率的な階層的検証手法を提案する。
論文 参考訳（メタデータ） (2026-03-10T01:48:48Z) - HPTune: Hierarchical Proactive Tuning for Collision-Free Model Predictive Control [55.015741360766945]
本稿では,高速なチューニングと低速なチューニングを組み合わせた階層型プロアクティブチューニング(HPTune)フレームワークを提案する。
我々はHPTuneをドップラーLiDARと統合し、位置のみの測定とは別に障害物速度を提供し、運動予測を強化した。
安全でアジャイルな衝突回避戦略を定式化することにより,HPTuneは状況調整型動作計画を可能にする。
論文 参考訳（メタデータ） (2026-01-29T07:15:39Z) - Warm-Starting Collision-Free Model Predictive Control With Object-Centric Diffusion [38.363402738466334]
拡散型ウォームスタート条件と潜時オブジェクト中心のシーン表現を組み合わせることで、厳密な時間制限下での信頼性と効率的な動き生成が得られることを示す。
提案手法では,オブジェクト中心のスロットアテンション機構を用いて,システム状態,タスク,周囲に拡散トランスフォーマを設定できる。
サンプル軌道は、剛体力学と符号-距離衝突制約を強制する最適制御問題によって洗練される。
論文 参考訳（メタデータ） (2026-01-06T10:02:54Z) - Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。
CEPAMは通信効率とプライバシー保護を同時に達成する。
我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
論文 参考訳（メタデータ） (2025-01-21T11:16:05Z) - 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) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-13T23:08:49Z) - Covert Model Poisoning Against Federated Learning: Algorithm Design and
Optimization [76.51980153902774]
フェデレーテッド・ラーニング(FL)はパラメータ伝達中にFLモデルに対する外部攻撃に対して脆弱である。
本稿では,最先端の防御アグリゲーション機構に対処する有効なMPアルゴリズムを提案する。
実験の結果,提案したCMPアルゴリズムは,既存の攻撃機構よりも効果的で,かなり優れていることが示された。
論文 参考訳（メタデータ） (2021-01-28T03:28:18Z) - Uncertainty-aware Contact-safe Model-based Reinforcement Learning [17.10030262602653]
本稿では, 接触安全行動を実現するロボットアプリケーションのための, 接触安全モデルベース強化学習(MBRL)を提案する。
確率的モデル予測制御(pMPC)制御限界とモデル不確かさを関連付け,学習の進捗に応じて制御行動の許容加速度を調整する。
論文 参考訳（メタデータ） (2020-10-16T05:11:25Z)
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。