論文の概要: From Kinematics to Dynamics: Learning to Refine Hybrid Plans for Physically Feasible Execution

• arxiv url: http://arxiv.org/abs/2604.12474v1
• Date: Tue, 14 Apr 2026 09:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.358416
• Title: From Kinematics to Dynamics: Learning to Refine Hybrid Plans for Physically Feasible Execution
• Title（参考訳）: キネマティクスからダイナミクスへ: 物理的に可能な実行のためのハイブリッドプランを再構築するための学習
• Authors: Lidor Erez, Shahaf S. Shperberg, Ayal Taitler,
• Abstract要約: 多くのロボット作業では、エージェントはミッションを完了するために空間領域の連続を横切る必要がある。 結果として生じる軌道と行動シーケンスは、期限、時間窓、速度または加速度制限といった問題制約も満たさなければならない。 連続空間における強化学習を通してこの問題に対処する。
• 参考スコア（独自算出の注目度）: 4.388121420582194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many robotic tasks, agents must traverse a sequence of spatial regions to complete a mission. Such problems are inherently mixed discrete-continuous: a high-level action sequence and a physically feasible continuous trajectory. The resulting trajectory and action sequence must also satisfy problem constraints such as deadlines, time windows, and velocity or acceleration limits. While hybrid temporal planners attempt to address this challenge, they typically model motion using linear (first-order) dynamics, which cannot guarantee that the resulting plan respects the robot's true physical constraints. Consequently, even when the high-level action sequence is fixed, producing a dynamically feasible trajectory becomes a bi-level optimization problem. We address this problem via reinforcement learning in continuous space. We define a Markov Decision Process that explicitly incorporates analytical second-order constraints and use it to refine first-order plans generated by a hybrid planner. Our results show that this approach can reliably recover physical feasibility and effectively bridge the gap between a planner's initial first-order trajectory and the dynamics required for real execution.
• Abstract（参考訳）: 多くのロボット作業では、エージェントはミッションを完了するために空間領域の連続を横切る必要がある。 このような問題は本質的には、高レベルなアクションシーケンスと物理的に実現可能な連続軌道という、離散連続的な混合である。 結果として生じる軌道と行動シーケンスは、期限、時間窓、速度または加速度制限といった問題制約も満たさなければならない。 ハイブリッド時間プランナーはこの課題に対処しようとするが、典型的には線形(一階)力学を用いて動きをモデル化し、その結果の計画がロボットの真の物理的制約を尊重することを保証できない。 したがって、ハイレベルな動作シーケンスが固定されたとしても、動的に実現可能な軌道を生成することは、双方向の最適化問題となる。 連続空間における強化学習を通してこの問題に対処する。 解析的二階制約を明示的に組み込んだマルコフ決定プロセスを定義し、それをハイブリッドプランナーによって生成された一階計画の洗練に利用する。 提案手法は, 実際の実行に必要な初期1次軌道と動的軌道とのギャップを効果的に埋めることができることを示す。

関連論文リスト

• Ultrafast Sampling-based Kinodynamic Planning via Differential Flatness [15.37007491684187]
  AkinoPDFは、多種多様なフラットなロボットシステムのための高速並列サンプリングに基づくキノダイナミックモーションプランニング技術である。 我々の手法は高速で正確で、どのサンプリングベースモーションプランナーとも互換性がある。
  論文  参考訳（メタデータ） (2026-03-17T01:53:10Z)
• Hierarchical Trajectory Planning of Floating-Base Multi-Link Robot for Maneuvering in Confined Environments [9.325443556436436]
  浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動 本研究は,グローバルガイダンスと設定対応ローカル最適化を統合した階層的軌道計画フレームワークを導入する。 我々の知る限りでは、これは実際のロボットで実証された浮動小数点移動型マルチリンクロボットのための最初の計画フレームワークである。
  論文  参考訳（メタデータ） (2026-02-25T22:49:54Z)
• Optimizing Control-Friendly Trajectories with Self-Supervised Residual Learning [10.551597725130675]
  現実世界の物理学は、現代の複雑なロボットシステムに対して、一定の精度で解析的にのみモデル化できる。 本稿では、上記の課題に対処するために、自己教師付き残差学習と軌道最適化の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T06:01:58Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• 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)
• Differentiable Motion Manifold Primitives for Reactive Motion Generation under Kinodynamic Constraints [5.982922468400902]
  Differentiable Motion Manifold Primitives (DMMP)は、連続時間で微分可能な軌道を符号化し生成する新しいニューラルネットワークアーキテクチャである。 7-DoFロボットアームを用いた動的投球実験では、DMMPは計画速度、タスク成功、制約満足度において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-16T03:29:33Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)
• Next Steps: Learning a Disentangled Gait Representation for Versatile Quadruped Locomotion [69.87112582900363]
  現在のプランナーは、ロボットが動いている間、キー歩行パラメータを連続的に変更することはできない。 本研究では、特定の歩行を構成する重要な姿勢位相を捉える潜在空間を学習することにより、この制限に対処する。 本研究では, 歩幅, 歩幅, 立位など, 歩行パラメータに直接対応した駆動信号マップの具体的特性を示す。
  論文  参考訳（メタデータ） (2021-12-09T10:02:02Z)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)

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。