論文の概要: Coverage Path Planning for Redundant Manipulators using Generalized Spanning Trees
- arxiv url: http://arxiv.org/abs/2609.08409v1
- Date: Tue, 08 Sep 2026 08:17:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 16:35:54.338017
- Title: Coverage Path Planning for Redundant Manipulators using Generalized Spanning Trees
- Title（参考訳）: 一般化スパンニング木を用いた冗長マニピュレータの被覆経路計画
- Abstract要約: 本稿では,従来のSpanning Tree Coverage (STC) 手法をオフラインおよびオンラインのJoint Spanning Tree Coverage (JSTC) アルゴリズムにより冗長マニピュレータに拡張する。
オフラインJSTCは計算時間、再構成、関節の動きを他の方法と比べて減らし、オンラインJSTCは動的シナリオにおけるステップ毎の高速な計画を達成する。
- 参考スコア（独自算出の注目度）: 5.285396202883409
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surface coverage with task-redundant manipulators is challenging because each surface point may admit multiple inverse kinematics (IK) solutions, and configuration choices strongly affect motion quality. This paper extends the classical Spanning Tree Coverage (STC) method to redundant manipulators through offline and online Joint Spanning Tree Coverage (JSTC) algorithms. Offline JSTC samples multiple Inverse Kinematics (IK) solutions per grid cell and formulates the problem as a Generalized Minimum Spanning Tree (GMST), selecting one configuration per cell and tracing the resulting tree to obtain a non-revisiting coverage path. Online JSTC incrementally expands and backtracks a spanning tree with feasibility and cost evaluation while handling dynamic grid updates. Simulation results show that offline JSTC reduces computation time, reconfigurations, and joint motion compared to other methods, while online JSTC achieves fast per-step planning in dynamic scenarios.
- Abstract（参考訳）: タスク依存マニピュレータによる表面被覆は、各表面点が複数の逆運動学(IK)解を許容し、構成選択が運動品質に強く影響を与えるため、困難である。
本稿では,従来のSpanning Tree Coverage (STC) 手法をオフラインおよびオンラインのJoint Spanning Tree Coverage (JSTC) アルゴリズムにより冗長マニピュレータに拡張する。
オフラインJSTCはグリッドセル毎に複数の逆キネマティクス (IK) ソリューションをサンプリングし、一般最小スパンニングツリー (GMST) として問題を定式化し、セル毎に1つの構成を選択し、その結果のツリーをトレースして再検討しないカバレッジパスを得る。
オンラインJSTCは、動的グリッド更新を処理しながら、実現可能性とコスト評価を備えたスパンニングツリーを段階的に拡大し、バックトラックする。
シミュレーションの結果,オフラインJSTCは計算時間,再構成,関節運動を他の手法と比較して低減し,オンラインJSTCは動的シナリオにおけるステップ毎の高速な計画を実現することがわかった。
関連論文リスト
- Dispersive Forward Tree Search for Optimal Control: Coverage, Complexity, and Computation [15.03677748041754]
本稿では, 決定論的有限サンプル近距離最適保証をもつ伝搬型キノダイナミックプランナを開発した。
局所分散制御コマンドのフォワードツリーは,木の大きさのほぼ最適軌道を含むことを示す。
提案手法は, 探索アルゴリズムである分散フォワードツリー探索(DFT*)をフォワードツリーの広帯域展開として実装する。
論文 参考訳（メタデータ） (2026-08-26T18:46:17Z) - Breaking chains with trees: Deep learning with $\mathcal{O}(\log N)$ parallel time complexity [0.749500254646884]
深層ニューラルネットワークを局所学習目標を用いて学習した階層的ブロックに分解するフレームワークである階層的ブロックローカラーニング(HBLL)を提案する。
HBLLは、$mathcalO(log N)$ parallel time complexityでディープニューラルネットワークをトレーニングできる最初のアルゴリズムである。
HBLLは、異なる階層パスに対応するニューラルネットワークのファミリーを暗黙的に定義し、異なる有効層数で柔軟な推論を可能にすることを示す。
論文 参考訳（メタデータ） (2026-06-19T14:44:07Z) - Just in time Informed Trees: Manipulability-Aware Asymptotically Optimized Motion Planning [46.553063931217245]
我々はJust-in-Time Informed Trees (JIT*)アルゴリズムを導入し、Effort Informed Trees (EIT*) を拡張した。
JIT* は $mathbbR4$ から $mathbbR16$ まで、従来のサンプリングベースのプランナよりも一貫して優れています。
論文 参考訳（メタデータ） (2026-01-27T18:58:51Z) - Structure-Aware Automatic Channel Pruning by Searching with Graph Embedding [28.03880549472142]
チャネルプルーニングはディープニューラルネットワークの計算オーバーヘッドを低減するための強力な技術である。
ネットワークトポロジをモデル化し,各チャネルのグローバルな重要性を学習するための,構造対応自動チャネルプルーニング(SACP)フレームワークを提案する。
SACPは圧縮効率と精度保持の競争力において最先端のプルーニング法より優れている。
論文 参考訳（メタデータ） (2025-06-13T05:05:35Z) - Dynamic Parallel Tree Search for Efficient LLM Reasoning [102.16694475391665]
Tree of Thoughts (ToT) は大規模言語モデル(LLM)推論を強化し、分散木としての問題解決を構造化する。
推論における推論経路を動的に最適化することを目的とした,新しい並列化フレームワークであるDynamic Parallel Tree Search (DPTS)を提案する。
Qwen-2.5とLlama-3のMath500とGSM8Kデータセットによる実験では、DPTSは平均で2-4倍効率が向上した。
論文 参考訳（メタデータ） (2025-02-22T14:13:37Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - Learning a Consensus Sub-Network with Polarization Regularization and One Pass Training [2.895034191799291]
プルーニングスキームは、静的プルーニングのための反復的なトレーニングと微調整、動的プルーニンググラフの繰り返し計算によって、余分なオーバーヘッドを生み出す。
本稿では,より軽量なサブネットワークを学習するためのパラメータ解析手法を提案する。
CIFAR-10, CIFAR-100, Tiny Imagenet で得られた結果から, ディープネットワークにおける接続の50%を, 1%の分類精度で除去できることが示唆された。
論文 参考訳（メタデータ） (2023-02-17T09:37:17Z) - Trainability Preserving Neural Structured Pruning [64.65659982877891]
本稿では,正規化型構造化プルーニング法であるTPP(Traiability Preserving pruning)を提案する。
TPPは線形ネットワーク上での地中動力学的等尺性回復法と競合する。
多くのトップパフォーマンスのフィルタプルーニング手法と比較して、優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2022-07-25T21:15:47Z) - Automatic Mapping of the Best-Suited DNN Pruning Schemes for Real-Time
Mobile Acceleration [71.80326738527734]
本稿では,汎用的,きめ細かな構造化プルーニング手法とコンパイラの最適化を提案する。
提案手法は,より微細な構造化プルーニング手法とともに,最先端のDNN最適化フレームワークよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-22T23:53:14Z) - Edge Rewiring Goes Neural: Boosting Network Resilience via Policy
Gradient [62.660451283548724]
ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。
ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
論文 参考訳（メタデータ） (2021-10-18T06:14:28Z) - DHP: Differentiable Meta Pruning via HyperNetworks [158.69345612783198]
本稿では,ネットワークの自動プルーニングのためのハイパーネットによる識別可能なプルーニング手法を提案する。
遅延ベクトルは、バックボーンネットワーク内の畳み込み層の出力チャネルを制御し、レイヤのプルーニングのハンドルとして機能する。
画像分類、単一画像超解像、復調のための様々なネットワークで実験が行われた。
論文 参考訳（メタデータ） (2020-03-30T17:59:18Z)
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。