論文の概要: VIP: Variation-based Iterative-learning Planning for Robotic Navigation
- arxiv url: http://arxiv.org/abs/2608.24618v1
- Date: Tue, 25 Aug 2026 14:38:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.029002
- Title: VIP: Variation-based Iterative-learning Planning for Robotic Navigation
- Title（参考訳）: VIP:ロボットナビゲーションのための変分に基づく反復学習計画
- Abstract要約: 本稿では,ロボットの効率的な動作計画のための,変分に基づく反復学習計画フレームワークを提案する。
提案するフレームワークは,異なる計画目標,ロボットプラットフォーム,Swarm構成の動作計画を効率的に生成し,反復的に改善することができる。
- 参考スコア（独自算出の注目度）: 14.214543473511048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past decade, autonomous robotic systems have been increasingly deployed in applications such as surveying, search and rescue, and last-mile delivery. These applications require robots to generate safe and efficient motion plans in large, complex, and obstacle-dense environments, often under limited onboard computing resources. However, conventional planning methods commonly rely on finite-dimensional trajectory parameterization or increasingly long prediction horizons, leading to rapidly growing computational costs, particularly in multi-robot scenarios. This paper presents a novel variation-based iterative-learning planning (VIP) framework for efficient motion planning of both single robots and robotic swarms. Instead of optimizing a large number of discrete trajectory variables, VIP directly updates the planning command as a continuous function in an infinite-dimensional function space. The same variation-based update can be implemented in a model-in-the-loop manner for offline planning or in a robot-in-the-loop manner between online physical executions. By avoiding the computational burden associated with horizon expansion and high-dimensional trajectory discretization, VIP maintains a per-iteration computational complexity of $\mathcal{O}(n)$, where $n$ denotes the number of spatial discretization points. Extensive simulations and real-world experiments demonstrate that the proposed framework can efficiently generate and iteratively improve motion plans for different planning objectives, robotic platforms, and swarm configurations, highlighting its effectiveness, computational efficiency, and scalability as a general planning methodology.
- Abstract（参考訳）: 過去10年間で、自律型ロボットシステムは、測量、捜索、救助、ラストマイル配送といったアプリケーションにますます多くデプロイされてきた。
これらのアプリケーションは、大きな、複雑で障害物の多い環境で、しばしば限られた計算資源の下で、安全で効率的な運動計画を生成する必要がある。
しかし、従来の計画手法は、一般に有限次元の軌道パラメータ化や、より長い予測水平線に依存しており、特にマルチロボットのシナリオにおいて、急速に計算コストが増大する。
本稿では,ロボット群とロボット群の両方の効率的な動作計画のための,変分に基づく反復学習計画(VIP)フレームワークを提案する。
多数の離散軌道変数を最適化する代わりに、VIPは無限次元関数空間における連続関数としての計画コマンドを直接更新する。
同じ変更ベースの更新は、オフラインプランニングのためのモデル・イン・ザ・ループ方式や、オンライン物理実行間のロボット・イン・ループ方式で実装することができる。
水平線膨張や高次元軌道離散化に伴う計算負担を回避することで、VIPは空間離散化点の数を表す$\mathcal{O}(n)$の計算複雑性を保っている。
大規模シミュレーションと実世界の実験により、提案フレームワークは、様々な計画目標、ロボットプラットフォーム、およびSwarm構成のための動きプランを効率的に生成し、反復的に改善し、その有効性、計算効率、拡張性を一般的な計画手法として強調することができることを示した。
関連論文リスト
- 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) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T21:17:53Z) - 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) - Ultrafast Sampling-based Kinodynamic Planning via Differential Flatness [15.37007491684187]
AkinoPDFは、多種多様なフラットなロボットシステムのための高速並列サンプリングに基づくキノダイナミックモーションプランニング技術である。
我々の手法は高速で正確で、どのサンプリングベースモーションプランナーとも互換性がある。
論文 参考訳（メタデータ） (2026-03-17T01:53:10Z) - Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。
Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
論文 参考訳（メタデータ） (2026-03-13T05:42:18Z) - Closed-Loop Long-Horizon Robotic Planning via Equilibrium Sequence Modeling [21.45039811922009]
我々は、均衡に達するまで計画案を反復的に洗練する自己精製スキームを提唱する。
効率的なクローズドループ計画のためのネスト型平衡系列モデリング手法を考案した。
提案手法はVirtualHome-Envベンチマークで評価され,スケーリングw.r.t.推論時間計算の改善による高度な性能を示す。
論文 参考訳（メタデータ） (2024-10-02T11:42:49Z) - Fast Kinodynamic Planning on the Constraint Manifold with Deep Neural
Networks [29.239926645660823]
本稿では,制約多様体の概念を利用した新しい学習計画フレームワークを提案する。
我々の手法は任意の制約を満たす計画を生成し、ニューラルネットワークの推論時間という短い一定時間でそれらを計算する。
我々は,2つのシミュレートされたタスクと,ロボット・エアホッケーにおける打撃動作を実行するために,クカ・LBRIiwa 14ロボットアームを用いた実世界のシナリオに対して,我々のアプローチを検証した。
論文 参考訳（メタデータ） (2023-01-11T06:54:11Z) - 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) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - An advantage actor-critic algorithm for robotic motion planning in dense
and dynamic scenarios [0.8594140167290099]
本稿では,既存のアクター批判アルゴリズムを改良し,複雑な動作計画に適合する。
ロボットが目標を達成するまでの処理時間を短縮し、動き計画においてより高い成功率を達成する。
論文 参考訳（メタデータ） (2021-02-05T12:30:23Z) - MATS: An Interpretable Trajectory Forecasting Representation for
Planning and Control [46.86174832000696]
人間の動きに関する推論は、現代の人間ロボットの対話システムの中核的な構成要素である。
自律システムにおける行動予測の主な用途の1つは、ロボットの動作計画と制御を知らせることである。
本稿では,下流の計画や制御に適するトラジェクトリ予測のための新しい出力表現を提案する。
論文 参考訳（メタデータ） (2020-09-16T07:32:37Z)
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。