論文の概要: NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
- arxiv url: http://arxiv.org/abs/2607.00326v1
- Date: Wed, 01 Jul 2026 01:56:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.680681
- Title: NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
- Title（参考訳）: NeHMO: 分散型マルチアーム運動計画のためのニューラルハミルトン・ヤコビ到達性学習
- Abstract要約: マルチアーム・モーション・プランニングは、その高次元性、結合構成空間、複雑な衝突制約により、ロボット工学において難しい問題である。
我々は、最悪の腕間安全制約を捕捉する安全値関数を近似するために、HJR(Neural Hamilton-Jacobi Reachability)学習に基づくアプローチを導入する。
我々は,学習したHJR表現をリアルタイム計画に用いる分散軌道最適化フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 14.93020899074113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safe multi-arm motion planning is a challenging problem in robotics due to its high dimensionality, coupled configuration space, and complex collision constraints. Centralized planners are capable of coordinating all arms but often face scalability limitations, restricting applicability in real-time settings. On the other hand, decentralized methods are scalable and recent deep learning-based approaches have shown promising results. However, these depend on accurate behavior prediction or coordination protocols and may fail when other arms act unpredictably. To address these challenges, we introduce a neural Hamilton-Jacobi Reachability (HJR) learning-based approach to approximate a safety value function that captures worst-case inter-arm safety constraints. We further develop a decentralized trajectory optimization framework that uses the learned HJR representation for real-time planning. The proposed method is scalable and data-efficient, generalizes across multi-manipulator systems, and outperforms state-of-the-art baselines on challenging multi-arm motion planning tasks.
- Abstract（参考訳）: 安全マルチアームモーションプランニングは、その高次元性、結合構成空間、複雑な衝突制約により、ロボット工学において難しい問題である。
集中型プランナーはすべてのアームを調整できるが、しばしばスケーラビリティの制限に直面し、リアルタイム設定の適用性を制限する。
一方、分散化手法はスケーラブルであり、近年のディープラーニングベースのアプローチは有望な結果を示している。
しかし、これらは正確な行動予測や調整プロトコルに依存しており、他の腕が予測不能に振る舞うと失敗する可能性がある。
これらの課題に対処するために、最悪の腕間安全制約を捕捉する安全性関数を近似するために、ニューラルネットワーク-ヤコビ到達可能性(HJR)学習に基づくアプローチを導入する。
さらに,学習したHJR表現をリアルタイム計画に用いる分散軌道最適化フレームワークを開発した。
提案手法はスケーラブルでデータ効率が高く,マルチマニピュレータシステムにまたがって一般化し,マルチアーム動作計画タスクにおける最先端のベースラインよりも優れる。
関連論文リスト
- Coordinated Motion Planning for Multi-Arm Systems via Iterative LQ Games [21.845592692945047]
本稿では,多マニピュレータ動作計画のための反復線形擬似ゲームフレームワークを提案する。
我々のフレームワークは、スムーズで安全で効率的な軌道を高次元設定で生成し、従来の手法より優れている。
論文 参考訳（メタデータ） (2026-08-27T21:33:38Z) - Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。
提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。
オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
論文 参考訳（メタデータ） (2026-07-04T08:14:44Z) - Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。
提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。
我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
論文 参考訳（メタデータ） (2026-05-05T04:49:38Z) - 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) - VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments [19.811711277536187]
マルチロボット探索は通常、フロンティア割り当てをローカルナビゲーションから切り離す。
VORL-EXPLOREは,この制約に対処するハイブリッド学習・計画フレームワークである。
また、グローバルA*ガイダンスとリアクティブ強化学習ポリシーとの間のリスク対応適応的仲裁機構も推進している。
論文 参考訳（メタデータ） (2026-03-09T05:20:33Z) - Latent Space Reinforcement Learning for Multi-Robot Exploration [0.0]
未知環境の自動マッピングシステムを開発した。
必須空間情報を保存しつつ,高忠実度占有率マップを潜在状態ベクトルに圧縮する。
共有データへの依存を変調する重み付きコンセンサス機構を導入する。
論文 参考訳（メタデータ） (2026-01-03T10:06:40Z) - 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) - Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。
この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。
この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
論文 参考訳（メタデータ） (2024-09-29T23:57:25Z) - 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) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - Differentiable Constrained Imitation Learning for Robot Motion Planning
and Control [0.26999000177990923]
我々は,交通エージェントのシミュレーションだけでなく,ロボットの動作計画と制御を制約するフレームワークを開発した。
モバイルロボットと自動運転アプリケーションに焦点をあてる。
移動ロボットナビゲーションと自動走行のシミュレーション実験は,提案手法の性能を示す証拠となる。
論文 参考訳（メタデータ） (2022-10-21T08:19:45Z) - Distributing Collaborative Multi-Robot Planning with Gaussian Belief
Propagation [13.65857209749568]
本稿では、動的制約と衝突制約を定義する汎用因子グラフに基づく、新しい純粋分散手法を実証する。
本手法は, 道路交通シミュレーションシナリオにおいて, 極めて高性能な協調計画を可能にすることを示す。
論文 参考訳（メタデータ） (2022-03-22T11:13:36Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z)
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。