論文の概要: Accelerating Mixed Discrete-Continuous Motion Planning via Neural Graphs of Convex Sets
- arxiv url: http://arxiv.org/abs/2608.15440v1
- Date: Sat, 15 Aug 2026 22:51:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.300257
- Title: Accelerating Mixed Discrete-Continuous Motion Planning via Neural Graphs of Convex Sets
- Title（参考訳）: 凸集合のニューラルグラフによる混合離散連続運動計画の高速化
- Abstract要約: 衝突のないナビゲーションやコンタクトリッチな操作などの動作計画問題は、最適化問題として自然に定式化することができる。
Graphs of Convex Sets (GCS)フレームワークは実用的なソリューションを提供する。
我々は、名目GCSが必要とするコストのかかる凸緩和ステップを、グラフ注意ネットワークを経由する単一のフォワードパスに置き換える。
ランキングネットワークは、これらの候補を推定コストで注文する。
- 参考スコア（独自算出の注目度）: 4.288763738857392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion planning problems such as collision-free navigation and contact-rich manipulation can be naturally formulated as optimization problems that couple discrete decisions with continuous trajectories. The Graphs of Convex Sets (GCS) framework offers a practical solution to these problems. It represents discrete decisions as nodes of a graph and encodes continuous trajectories in the edges connecting them. However, the resulting optimization subproblems can become computationally prohibitive for online replanning. In this work, we propose a learning-based strategy to mitigate this limitation. Specifically, we replace the costly convex relaxation step required by nominal GCS with a single forward pass through a Graph Attention Network that predicts a set of highly probable candidate paths through the graph. A lightweight ranking network then orders these candidates by their estimated trajectory cost. Evaluating them in this order, we terminate our search early while still recovering a near-optimal motion plan. We validate the resulting pipeline across diverse robotic tasks, including collision-free motion planning for a 3D quadrotor and a 7-DoF manipulator, and planning through contact for planar pushing. Across both convex and non-convex cost and constraint settings, our approach yields up to two orders of magnitude speedup over nominal GCS while maintaining a 100% success rate, at the cost of some suboptimality in the recovered solutions. Code implementations and video demonstrations can be found at https://neural-gcs.github.io/.
- Abstract（参考訳）: 衝突のないナビゲーションやコンタクトリッチな操作のような動作計画問題は、連続軌道で離散的な決定を交わす最適化問題として自然に定式化することができる。
グラフ・オブ・コンベックス・セット(GCS)フレームワークはこれらの問題に対して実用的な解決策を提供する。
グラフのノードとして決定的な決定を表現し、それらを接続するエッジ内の連続的な軌跡を符号化する。
しかし、結果として得られる最適化サブプロブレムは、オンラインのリプランニングにおいて計算的に禁止される可能性がある。
本研究では,この制限を緩和するための学習型戦略を提案する。
具体的には、名目GCSが要求するコストのかかる凸緩和ステップを、グラフを通して高い確率の候補経路のセットを予測するグラフ注意ネットワークを経由する1つのフォワードパスに置き換える。
軽量ランキングネットワークは、これらの候補を推定軌跡コストで注文する。
この順序で評価し、我々は探索を早期に終了し、ほぼ最適運動計画の回復を継続する。
3次元四極子と7-DoFマニピュレータの衝突のない動作計画や、平面プッシュの接触による計画など、多様なロボットタスクにまたがるパイプラインを検証する。
コンベックスコストと非凸コスト,制約設定の両面において,提案手法は最大2桁のGCSの高速化を達成し,100%の成功率を維持しながら,回復した解の準最適性を犠牲にしている。
コードの実装とビデオデモはhttps://neural-gcs.github.io/で見ることができる。
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) - Unsupervised Learning for Optimal Transport plan prediction between unbalanced graphs [43.98782445210996]
グラフ間の最適な転送は、グラフ構造の比較と整合のための強力なツールである。
本稿では、この問題を解決する方法として、不均衡輸送(ULOT)を提案する。
論文 参考訳（メタデータ） (2025-05-21T09:29:19Z) - Speedup Techniques for Switchable Temporal Plan Graph Optimization [7.478072166004144]
MAPF (Multi-Agent Path Finding) は、複数エージェントの衝突のない経路を計画することに焦点を当てている。
MAPF計画の実行中、エージェントは予期せぬ遅延に遭遇し、非効率性、デッドロック、さらには衝突に至る可能性がある。
本稿では,グラフベーススイッチブルエッジサーチ(GSES)を4つの高速化手法により大幅に高速化する改良GSESを提案する。
論文 参考訳（メタデータ） (2024-12-20T13:59:15Z) - Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。
提案手法は,複数のMOTデータセット上での最先端性能を実現する。
画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-03-27T17:39:00Z) - Sequential Manipulation Planning on Scene Graph [90.28117916077073]
我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。
ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。
次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
論文 参考訳（メタデータ） (2022-07-10T02:01:33Z) - Simultaneous Contact-Rich Grasping and Locomotion via Distributed
Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。
ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
論文 参考訳（メタデータ） (2022-07-04T13:52:10Z) - T*$\varepsilon$ -- Bounded-Suboptimal Efficient Motion Planning for
Minimum-Time Planar Curvature-Constrained Systems [7.277760003553328]
本研究では,障害物の存在下での曲率制約系の衝突のない経路を見つけることの問題点を考察する。
有界-準最適解を求めることにより、使用した時間-最適遷移の数を劇的に削減できることを示す。
論文 参考訳（メタデータ） (2022-04-04T17:38:36Z) - Optimal Solving of Constrained Path-Planning Problems with Graph
Convolutional Networks and Optimized Tree Search [12.457788665461312]
本稿では,機械学習モデルと最適解法を併用したハイブリッド問題解決プランナを提案する。
我々は現実的なシナリオで実験を行い、GCNのサポートにより、より難しい問題に対して、大幅なスピードアップとスムーズなスケーリングが可能になることを示す。
論文 参考訳（メタデータ） (2021-08-02T16:53:21Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T18:54:42Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳（メタデータ） (2020-01-18T09:14:16Z)
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。