論文の概要: Trajectory Optimization for Collision-Aware Redundant Robotic Multi-Axis Additive Manufacturing by Constrained Gradient Projection
- arxiv url: http://arxiv.org/abs/2606.29766v1
- Date: Mon, 29 Jun 2026 04:18:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.038172
- Title: Trajectory Optimization for Collision-Aware Redundant Robotic Multi-Axis Additive Manufacturing by Constrained Gradient Projection
- Title（参考訳）: 制約勾配投影による衝突対応冗長ロボット多軸付加製造のための軌道最適化
- Abstract要約: 本研究は、冗長ロボットMAAMにおける衝突認識軌道最適化のための計算フレームワークを提案する。
実験により, 平均ノズル位置誤差を10m以下に維持し, 最大接合ジャークを7.6%まで低減し, 試料衝突や配向違反を排除した。
- 参考スコア（独自算出の注目度）: 14.036000612440603
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Redundant robotic multi-axis additive manufacturing (MAAM) enables support-free and conformal fabrication, but trajectory optimization for long-horizon paths remains challenging under strict deposition-position constraints and time-varying collision constraints. This work proposes a computational framework for collision-aware trajectory optimization in redundant robotic MAAM. We first formulate nozzle-workpiece relative kinematics using a relative Jacobian, and develop a differentiable SDF-based collision model that captures fabrication-induced geometry evolution and provides optimization gradients. The deposition position is then enforced as a hard waypoint-wise equality constraint through iterative projection onto the self-motion manifold, with the loss gradient restricted to the corresponding tangent space. Experiments on an 8-DOF robotic MAAM platform with diverse long-horizon support-free and conformal toolpaths show that our method maintains a mean nozzle-position error below 10μm, reduces maximum joint jerk by up to $77.6\%$, and eliminates all sampled collision and orientation violations. Compared with the SQP-based baseline, it achieves up to a 10.2x speedup and improved convergence. Physical fabrication experiments further verify that the resulting smooth, collision-free trajectories enable successful printing of complex geometries with fewer visible deposition artifacts.
- Abstract（参考訳）: 冗長なロボット多軸添加物製造(MAAM)は、サポートフリーでコンホメーションな製造を可能にするが、厳密な沈着制約と時間変化による衝突制約の下では、長い水平経路の軌道最適化は困難である。
本研究は、冗長ロボットMAAMにおける衝突認識軌道最適化のための計算フレームワークを提案する。
まず, 相対的ジャコビアンを用いてノズル加工の相対運動学を定式化し, 加工誘起幾何進化を捉え, 最適化勾配を与えるSDF型衝突モデルを開発した。
沈着位置は、自己運動多様体への反復射影を通じてハードウェイポイントの等式制約として強制され、損失勾配は対応する接空間に制限される。
8-DOF ロボットMAAM プラットフォームにおける多種多様な長水平支持・共形ツールパスを用いた実験により,本手法は平均ノズル位置誤差を10μm以下に維持し,最大接合ジャークを最大7.6 %まで低減し,全ての試料衝突および配向違反を除去することを示した。
SQPベースのベースラインと比較して、最大10.2倍のスピードアップとコンバージェンスの改善を実現している。
物理造形実験により、結果として生じる滑らかで無衝突軌道が、目に見える堆積物の少ない複雑なジオメトリーの印刷を成功させることを確認した。
関連論文リスト
- Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。
提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
論文 参考訳（メタデータ） (2026-08-03T19:48:24Z) - Real-Time and Accurate Collision-Free Teleoperation via Differentiable Constraint-Based Trajectory Planning [1.4699455652461726]
この問題を緩和するための一般的な戦略は、最適制御に基づく軌道計画を用いて演算子の入力を強化することである。
我々は、凸最適化における双対性に基づいて、最近の微分可能な衝突回避制約の定式化を遠隔操作設定に適用する。
その結果,提案手法はより高精度な障害物モデリングを実現するとともに,計算時間を短縮できることがわかった。
論文 参考訳（メタデータ） (2026-06-07T16:39:56Z) - Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。
既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
論文 参考訳（メタデータ） (2026-05-27T14:02:20Z) - Constraint-Enhanced Reinforcement Learning Based on Dynamic Decoupled Spherical Radial Squashing [1.2036262042590717]
各関節が制御ステップごとにどれだけ速く動けるかは、避けられない。
既存の方法は等方性球形の制約を課し、指数関数的に真の実現可能な集合を覆い隠す。
本稿では,ダイナミックデカップリング型球状ラジアルスクアッシング(DD-SRad)を提案する。
Unitree H1とG1のヒューマノイドロボットによる実験は、公式な共同仕様から直接パラメータ化されたエンドツーエンドの最適性を確認する。
論文 参考訳（メタデータ） (2026-05-05T18:24:46Z) - Iterative Convex Optimization with Control Barrier Functions for Obstacle Avoidance among Polytopes [3.8436274588467696]
多目的ロボットによる障害物回避は、最適化に基づく制御と軌道計画において難しい問題である。
既存の手法は、幾何学力学を歪ませる楕円体のような双対距離近似に頼っている。
本稿では,安全クリティカルナビゲーションプログラムのための新しい反復凸性有限水平最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-06T05:10:44Z) - Fast and Safe Trajectory Optimization for Mobile Manipulators With Neural Configuration Space Distance Field [34.07401865897874]
Generalized Space Fields (GCDF) は、ベースアーム結合を移動マニピュレータに拡張するために使用できる。
GCDFは、非有界空間における全体構成をエンコードする。
我々はGCDFに基づく推論を中心に,高性能な最適化解法を開発した。
論文 参考訳（メタデータ） (2026-01-26T14:55:26Z) - Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。
既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。
本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
論文 参考訳（メタデータ） (2025-12-28T05:48:55Z) - Topology-Preserving Scalar Field Optimization for Boundary-Conforming Spiral Toolpaths on Multiply Connected Freeform Surfaces [0.0]
自動車および航空宇宙製造における部品の高品質かつ効率的な加工には, 複数接続された自由形表面上でのボールエンド加工経路の計画が重要である。
アイソ曲線の分岐や終了を引き起こすゼロ勾配特異点を強固に強制し、多重連結曲面上でのツールパス連続性を阻害する効率的な戦略を提案する。
論文 参考訳（メタデータ） (2025-12-27T07:05:51Z) - 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) - 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) - Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳（メタデータ） (2023-08-21T13:03:25Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z)
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。