論文の概要: AURA: Asymptotically Optimal Uncertainty-Robust Replanning Algorithm for Kinodynamic Systems
- arxiv url: http://arxiv.org/abs/2605.27699v1
- Date: Tue, 26 May 2026 21:20:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.52807
- Title: AURA: Asymptotically Optimal Uncertainty-Robust Replanning Algorithm for Kinodynamic Systems
- Title（参考訳）: AURA:キノダイナミックシステムのための漸近的最適不確実性ロバスト計画アルゴリズム
- Abstract要約: サンプリングベースのモーションプランナーは、キノダイナミックなモーションプランニングに実用的でスケーラブルなアプローチを提供する。
これらのプランナーは通常オフラインで使用され、軌道が計算された後にのみ実行を開始する必要がある。
この作業では、これらの制限は、実行時のパス品質とパフォーマンスのトラッキングの両方を改善する統一されたフレームワーク、メソッド内で対処された。
- 参考スコア（独自算出の注目度）: 1.137457877869062
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sampling-based motion planners offer a practical and scalable approach to kinodynamic motion planning, notably for high-dimensional, underactuated, or non-holonomic systems. However, these planners are typically used offline, requiring execution to begin only after the trajectory has been computed. In addition, the planned trajectory may not be accurately tracked in the presence of motion uncertainty, leading to deviations from the nominal solution. In this work, these limitations were addressed within a unified framework, \method, an asymptotically-optimal meta-planner framework that improves both path quality and tracking performance during execution. In addition to the main execution thread, this framework comprises a replanning method that continuously explores the state space and refines the trajectory during execution, and an optimization process that refines future control inputs to reduce tracking error. Together, these components enable \method to leverage asymptotically optimal planning online while improving execution accuracy under uncertainty. The proposed approach is evaluated in both simulation and real-world environments across multiple systems, demonstrating consistent improvements in trajectory quality, tracking accuracy, and overall performance compared with baseline methods.
- Abstract（参考訳）: サンプリングベースのモーションプランナーは、特に高次元、不動、非ホロノミックシステムにおいて、キノダイナミックなモーションプランニングに実用的でスケーラブルなアプローチを提供する。
しかしながら、これらのプランナーは通常オフラインで使用され、軌道が計算された後にのみ実行を開始する必要がある。
さらに、計画された軌道は運動の不確実性の存在下で正確に追跡されず、名目上の解から逸脱する。
この作業では、これらの制限は、パス品質と実行時のパフォーマンスのトラッキングの両方を改善する漸近最適化メタプランナフレームワークである‘method’という統合フレームワーク内で対処された。
このフレームワークは、メイン実行スレッドに加えて、状態空間を継続的に探索し、実行中の軌道を洗練するリプランニング方法と、将来の制御入力を洗練してトラッキングエラーを低減する最適化プロセスとを含む。
これらのコンポーネントによって、Shamethodはオンライン上で漸近的に最適なプランニングを活用でき、不確実性の下での実行精度を向上させることができる。
提案手法は,複数のシステムにおけるシミュレーション環境と実環境環境の両方で評価され,トラジェクトリの品質,トラッキング精度,基本手法と比較して全体的な性能が一貫した改善が見られた。
関連論文リスト
- Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators [0.0]
軌道計画は、ロボットマニピュレータのトラッキング精度、アクチュエータ要求、および全体的な実行行動に影響を与える。
立方体、クインティック、および台形形状のような古典的なプランナーは、その単純さと滑らかさのために広く使われている。
本稿では,マニピュレータのダイナミクスとアクチュエータの取り組みを明示的に組み込んだ制御対応最適軌道計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T18:26:48Z) - Feedback Motion Planning for Stochastic Nonlinear Systems with Signal Temporal Logic Specifications [25.484834028091083]
信号時間論理(STL)仕様下での連続時間非線形システムのフィードバック動作計画について検討する。
本稿では,確率制約付きSTL軌道最適化問題に対する制御ポリシを合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-04T09:02:16Z) - Sampling-Based Control via Entropy-Regularized Optimal Transport [18.278741443124655]
OT-MPCは、エントロピー規則化された最適輸送定式化によって制限を克服するサンプリングベースのアルゴリズムである。
我々は、Sinkhornアルゴリズムを用いて、クローズドな勾配のない更新を導出し、リアルタイムな性能を実現する。
論文 参考訳（メタデータ） (2026-05-04T02:07:15Z) - Closing the Train-Test Gap in World Models for Gradient-Based Planning [64.36544881136405]
本研究では,効率的な勾配計画を可能にする世界モデルの学習方法を提案する。
テスト時には,古典的勾配のないクロスエントロピー法よりも優れた手法が提案される。
論文 参考訳（メタデータ） (2025-12-10T18:59:45Z) - Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming [55.848340925419286]
等式制約と不等式制約を持つ2次最適化問題の解に対するオンライン統計的推測について検討した。
これらの問題を解決するための逐次プログラミング(SSQP)手法を開発し、目的の近似と制約の線形近似を逐次実行することでステップ方向を計算する。
本手法は,Hjek と Le Cam の意味での最適原始双対制限行列を用いて局所正規性を示す。
論文 参考訳（メタデータ） (2025-11-27T06:16:17Z) - Locally Optimal Descent for Dynamic Stepsize Scheduling [45.6809308002043]
本稿では,段階的スケジュールのマニュアルと時間的チューニングを簡略化することを目的とした,理論に基づく新しい動的学習スケジューリング手法を提案する。
本手法は,スムーズな勾配方向の局所最適練習速度を推定することに基づく。
提案手法は,既存手法と比較して最小限のチューニングが必要であることが示唆された。
論文 参考訳（メタデータ） (2023-11-23T09:57:35Z) - A Unifying Variational Framework for Gaussian Process Motion Planning [44.332875416815384]
本稿では,変分ガウス過程に基づくロボット動作計画のためのフレームワークを提案する。
我々のフレームワークは、平等ベース、不平等ベース、ソフトモーションプランニング制約を組み込む、原則的で柔軟な方法を提供します。
その結果,提案手法は成功率とパス品質のバランスが良好であることが示唆された。
論文 参考訳（メタデータ） (2023-09-02T07:51:29Z) - Introduction to Online Control [31.67032731719622]
オンラインの非確率制御では、コスト関数と仮定された力学モデルからの摂動の両方が敵によって選択される。
目標は、ベンチマーククラスの政策から見て、最高の政策に対して低い後悔を得ることだ。
論文 参考訳（メタデータ） (2022-11-17T16:12:45Z) - Optimistic Policy Optimization is Provably Efficient in Non-stationary MDPs [113.8752163061151]
非定常線形カーネルマルコフ決定過程(MDP)におけるエピソード強化学習(RL)の研究
線形最適化アンダーライン最適化アルゴリズム(PROPO)を提案する。
PROPOはスライディングウィンドウベースのポリシー評価と周期的リスタートベースのポリシー改善の2つのメカニズムを特徴としている。
論文 参考訳（メタデータ） (2021-10-18T02:33:20Z) - On Constraints in First-Order Optimization: A View from Non-Smooth
Dynamical Systems [99.59934203759754]
本稿では,スムーズな制約付き最適化のための一階法について紹介する。
提案手法の2つの特徴は、実現可能な集合全体の投影や最適化が避けられることである。
結果として得られるアルゴリズムの手順は、制約が非線形であっても簡単に実装できる。
論文 参考訳（メタデータ） (2021-07-17T11:45:13Z) - Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting [41.94295877935867]
我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。
提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
論文 参考訳（メタデータ） (2021-02-26T02:43:28Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳（メタデータ） (2020-08-19T15:22:15Z)
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。