論文の概要: TCBiRRT: Rapid Motion Planning for Tightly Coupled Dual-arm Space Manipulator Using Task-space Random Expansion
- arxiv url: http://arxiv.org/abs/2605.27167v1
- Date: Tue, 26 May 2026 15:24:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.379036
- Title: TCBiRRT: Rapid Motion Planning for Tightly Coupled Dual-arm Space Manipulator Using Task-space Random Expansion
- Title（参考訳）: TCBiRRT:タスク空間ランダム展開を用いた高結合デュアルアーム宇宙マニピュレータの高速動作計画
- Authors: Jiawei Zhang, Xinhao Miao, Jifeng Guo, Qinghua Li, Chengchao Bai,
- Abstract要約: 閉鎖制約下での密結合型双腕空間マニピュレータの運動経路の計画は、基本的かつ困難な問題である。
本稿では,タスク空間制約付き双方向高速探索ランダムツリーアルゴリズムTCBiRRTを提案する。
- 参考スコア（独自算出の注目度）: 13.227911126048731
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planning the motion path for a tightly coupled dual-arm space manipulator under closed-chain constraints is a fundamental yet challenging problem in on-orbit assembly of large-scale space structures. The closed-chain constraints significantly reduce the feasible configuration space, making it difficult for existing planners to efficiently generate collision-free motions, especially in cluttered environments. To address this issue, this paper proposes a task-space constrained bidirectional rapidly-exploring random tree algorithm, termed TCBiRRT. Unlike conventional methods that operate in the high-dimensional configuration space, the proposed approach performs random sampling and node expansion directly in the task space defined by the manipulated object pose. A task-space node expansion strategy is developed to generate candidate object motions, which are then mapped to continuous joint paths using a path inverse kinematics algorithm. The method is further integrated with a bidirectional RRT framework and a regrasp mechanism to efficiently connect two random trees. Extensive simulations are conducted in representative on-orbit assembly scenarios with varying levels of environmental complexity. The results demonstrate that TCBiRRT achieves significantly higher success rates and orders-of-magnitude improvements in planning time compared to state-of-the-art planners. The proposed method provides an efficient and robust solution for motion planning of tightly coupled dual-arm space manipulators.
- Abstract（参考訳）: 閉鎖制約下での密結合型双腕空間マニピュレータの運動経路の計画は、大規模な宇宙構造物の軌道上での組立において、基本的かつ困難な問題である。
クローズドチェーンの制約により、実現可能な構成空間が大幅に減少し、既存のプランナーが特に散在する環境において、衝突のない動きを効率的に生成することが困難になる。
本稿では,タスク空間制約付き双方向高速探索ランダムツリーアルゴリズムTCBiRRTを提案する。
提案手法は,高次元構成空間で動作する従来の手法とは異なり,操作対象のポーズによって定義されるタスク空間において,ランダムサンプリングとノード拡張を直接行う。
タスク空間のノード展開戦略は、候補となる物体の動きを生成するために開発され、パス逆キネマティクスアルゴリズムを用いて連続的な関節経路にマッピングされる。
さらに、この手法は、双方向のRTRフレームワークと、ランダムな2本の木を効率的に接続するためのregraspメカニズムと統合される。
大規模なシミュレーションは、様々なレベルの環境複雑さを持つ軌道上アセンブリーのシナリオで実施される。
以上の結果から,TCBiRRTは,最先端のプランナーに比べて,計画時間における成功率と大局的改善を著しく向上することが示された。
提案手法は,密結合型デュアルアーム空間マニピュレータの動作計画のための効率的で堅牢な解を提供する。
関連論文リスト
- Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。
タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。
我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-22T22:58:47Z) - RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。
様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。
強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
論文 参考訳（メタデータ） (2026-04-16T17:59:44Z) - Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators [1.157930969832493]
マニピュレータの関節空間における計画は、非可逆的な前方運動学による重要な課題を呈する。
Many-RRT* は RRT*-Connect の拡張であり、複数の目標を並行して計画している。
論文 参考訳（メタデータ） (2026-03-04T19:31:37Z) - Solving Geodesic Equations with Composite Bernstein Polynomials for Trajectory Planning [0.0]
軌道は、離散境界ではなく連続体として障害物を符号化するコスト面上に計画されている。
障害物に近い地域は高いコストが割り当てられており、自然に軌道は安全な距離を維持しつつ、制約された空間を効率的にルーティングすることを奨励している。
この方法は2次元と3次元の両方の環境に適用され、地上、空中、水中、宇宙システムに適している。
論文 参考訳（メタデータ） (2026-02-10T23:33:15Z) - Two-dimensional Decompositions of High-dimensional Configurations for Efficient Multi-vehicle Coordination at Intelligent Intersections [2.696923033449606]
本研究では,事前に定義された車両経路に沿って衝突のない軌道を生成する手法を提案する。
本研究では,制約付き最小時間軌道計画問題を高次元構成空間における問題として再検討する。
提案手法は既存のMILPベースの時間スケジューリングよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2025-12-12T16:50:17Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Search-Based Robot Motion Planning With Distance-Based Adaptive Motion Primitives [1.8874301050354767]
本研究では,サンプリングベースと探索ベースを組み合わせたロボットマニピュレータの動作計画アルゴリズムを提案する。
提案手法の中核となる貢献は、適応運動プリミティブとして自由構成空間(C空間)のバーの利用である。
以上の結果から, bur-based アプローチは複雑なシナリオにおいて, 固定原始的計画よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-07-01T21:33:33Z) - Reinforcement learning with combinatorial actions for coupled restless bandits [62.89013331120493]
提案するSEQUOIAは,動作空間に対する長期報酬を直接最適化するRLアルゴリズムである。
我々は,複数介入,経路制約,二部間マッチング,容量制約という,制約を伴う4つの新しいレスレス・バンディット問題に対して,SEQUOIAを実証的に検証した。
論文 参考訳（メタデータ） (2025-03-01T21:25:21Z) - 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) - 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) - Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。
LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。
本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
論文 参考訳（メタデータ） (2020-07-06T05:13:20Z)
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。