論文の概要: Fast Asymptotically Optimal Kinodynamic Planning via Vectorization
- arxiv url: http://arxiv.org/abs/2607.03987v2
- Date: Sun, 12 Jul 2026 20:18:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 13:33:35.652772
- Title: Fast Asymptotically Optimal Kinodynamic Planning via Vectorization
- Title（参考訳）: ベクトル化による高速漸近最適動力学的計画法
- Abstract要約: 本稿では,JAX と XLA コンパイラを利用した並列キノダイナミックプランナである Parallel Asymptotically Optimal Kinodynamic RRTPAKR を提案する。
並列プランナとAO-xメタアルゴリズムを組み合わせることで、高速反復的再計画により最適性を実現する。
- 参考スコア（独自算出の注目度）: 0.764671395172401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sampling-based motion planners have been shown to be effective for systems with complex kinodynamic constraints and high dimensionality. However, these algorithms struggle to achieve real-time performance, leading to recent efforts to parallelize planning. While GPU-accelerated planners have achieved significant speedups, existing approaches require specialized CUDA programming that limits accessibility and portability. We present Parallel Asymptotically Optimal Kinodynamic RRT (PAKR), a massively parallel kinodynamic planner leveraging JAX and the XLA compiler to achieve GPU acceleration through standard Python tooling. By combining our parallel planner with the AO-x meta-algorithm, we achieve asymptotic optimality through fast iterative replanning. We provide a theoretical analysis of probabilistic completeness, analyze the effects of batch size and branching factor on convergence, and demonstrate scalability to complex dynamics using the MuJoCo-XLA simulator. Experiments show competitive runtimes with state-of-the-art GPU planners and superior solution quality.
- Abstract（参考訳）: サンプリングに基づく運動プランナーは複雑なキノダイナミック制約と高次元性を持つシステムに有効であることが示されている。
しかし、これらのアルゴリズムはリアルタイムのパフォーマンスを達成するのに苦労しており、最近の計画の並列化の試みにつながっている。
GPUが加速するプランナは大幅に高速化されているが、既存のアプローチではアクセシビリティとポータビリティを制限したCUDAプログラミングが必要である。
本稿では,JAX と XLA コンパイラを併用した並列キノダイナミック・プランナである Parallel Asymptotically Optimal Kinodynamic RRT (PAKR) について述べる。
並列プランナとAO-xメタアルゴリズムを組み合わせることで,高速反復的再計画により漸近的最適性を実現する。
確率的完全性の理論解析を行い、バッチサイズと分岐係数が収束に及ぼす影響を分析し、MuJoCo-XLAシミュレータを用いて複雑な力学へのスケーラビリティを示す。
実験では、最先端のGPUプランナと優れたソリューション品質を備えた競合ランタイムが示されている。
関連論文リスト
- cuRegOT: A GPU-Accelerated Solver for Entropic-Regularized Optimal Transport [8.189956090077677]
cuRegOTは、エントロピー正規化OTに適した高性能GPUソルバである。
我々は、CPUボトルネックを軽減するために、アモータイズされたシンボリック分析戦略を含むアルゴリズムとアーキテクチャの最適化スイートを紹介する。
CuRegOTは、さまざまなベンチマークタスクで最先端のGPUベースのソルバよりも大幅にスピードアップする。
論文 参考訳（メタデータ） (2026-05-09T08:27:39Z) - GPU-Accelerated Continuous-Time Successive Convexification for Contact-Implicit Legged Locomotion [0.4588028371034407]
コンタクト-単純軌道最適化(CITO)は、コンタクトシーケンスの自動発見を可能にする。
本稿では,離散化ノード間の接触イベントが欠落するリスクを排除し,クロスコンピテンサリティ制約を導入する。
その結果,最大座標における全多体ダイナミクスをモデル化した,接触型連続凸化(ci-SCvx)が得られた。
論文 参考訳（メタデータ） (2026-04-11T02:40:29Z) - Parallel-in-Time Nonlinear Optimal Control via GPU-native Sequential Convex Programming [2.8852807790754618]
本稿では,連続凸プログラミングと乗算器のコンセンサスに基づく交互方向法を組み合わせた,フルGPUネイティブなトラジェクトリ最適化フレームワークを提案する。
本研究は,有人エッジコンピューティングプラットフォームを用いて,四重項アジャイル飛行タスクと火星搭載降下問題の解法を検証した。
ベンチマークでは、高度に最適化された12コアのCPUベースラインよりも、持続的な4倍のスループットのスピードアップとエネルギー消費の51%削減が明らかにされている。
論文 参考訳（メタデータ） (2026-03-11T12:39:14Z) - Para-B&B: Load-Balanced Deterministic Parallelization of Solving MIP [50.917107318582715]
MIP(Mixed-integer Programming)は、連続型と整数型の両方の決定変数を組み込むことで線形プログラミングを拡張する。
本稿では,高性能MIPソルバであるHiGHSに対して,決定論的並列分岐結合の完全なオープンソース実装を初めて提案する。
本手法では,ワーカスレッド間で完全なソルバ状態を複製することにより,厳密な決定性を保証する新しいデータ並列アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-02-10T14:17:53Z) - Kino-PAX$^+$: Near-Optimal Massively Parallel Kinodynamic Sampling-based Motion Planner [11.640483409938724]
準最適保証を備えた超並列キノダイナミックモーションプランナであるKino-PAX$+$を紹介した。
Kino-PAX$+$は、既存のシリアルメソッドよりも最大3桁高速なソリューションを見つけ、最先端のGPUベースのプランナよりも低いソリューションコストを達成する。
論文 参考訳（メタデータ） (2026-02-02T21:50:18Z) - Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - Eliminating Multi-GPU Performance Taxes: A Systems Approach to Efficient Distributed LLMs [61.953548065938385]
分析フレームワークとして'3つの税'(バルク同期、カーネル間データローカリティ、カーネルローンチオーバーヘッド)を紹介した。
我々は、分散GPU実行におけるキー非効率に対処するために、厳密なBSPモデルを超えて移動することを提案する。
BSPベースのアプローチによるエンドツーエンドのレイテンシの10-20%の高速化を観察する。
論文 参考訳（メタデータ） (2025-11-04T01:15:44Z) - Improved particle swarm optimization algorithm: multi-target trajectory optimization for swarm drones [20.531764063763678]
従来のParticle Swarm Optimization (PSO) 手法は、リアルタイムシナリオにおける早期収束と遅延に苦慮している。
PSOベースのオンライントラジェクトリプランナであるPE-PSOを提案する。
遺伝的アルゴリズム(GA)に基づくタスク割り当てと分散PE-PSOを組み合わせたマルチエージェントフレームワークを開発した。
論文 参考訳（メタデータ） (2025-07-18T04:31:49Z) - Accelerated First-Order Optimization under Nonlinear Constraints [61.98523595657983]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。
これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文 参考訳（メタデータ） (2023-02-01T08:50:48Z) - Globally Optimal Event-Based Divergence Estimation for Ventral Landing [55.29096494880328]
イベントセンシングはバイオインスパイアされた飛行誘導と制御システムの主要なコンポーネントである。
本研究では, イベントカメラを用いた腹側着陸時の表面との接触時間予測について検討する。
これは、着陸時に発生する事象の流れから放射光の流れの速度である発散(逆TTC)を推定することで達成される。
我々のコアコントリビューションは、イベントベースの発散推定のための新しいコントラスト最大化定式化と、コントラストを正確に最大化し、最適な発散値を求めるブランチ・アンド・バウンドアルゴリズムである。
論文 参考訳（メタデータ） (2022-09-27T06:00:52Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z)
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。