論文の概要: An Efficient Algorithm for Minimum-Pressure Growth Planning of Vine Robots

• arxiv url: http://arxiv.org/abs/2609.18070v1
• Date: Wed, 16 Sep 2026 03:15:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.622119
• Title: An Efficient Algorithm for Minimum-Pressure Growth Planning of Vine Robots
• Title（参考訳）: ビンロボットの最小圧力成長計画のための効率的なアルゴリズム
• Abstract要約: マルチトピー障害周辺で成長するブドウ栽培ロボットの最低圧経路を求める問題に対処する。 本稿では,グローバルな最適解を2次元で,近似解を3次元で発見することが保証される効率的なアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.904547709250411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vine robots navigate cluttered environments by extending from their tip. Although their ability to operate in such environments has been extensively demonstrated, little work has addressed growth planning, i.e., finding optimal growth paths. Moreover, existing planners do not account for the growth pressure necessary to follow a given path, which can cause the robot to burst when it is too high. In this paper, we address the problem of finding minimum-pressure paths for vine robots growing around polytopic obstacles. We propose an efficient algorithm that is guaranteed to find globally optimal solutions in 2D and approximate solutions in 3D, with an error that vanishes as a discretization parameter approaches zero. First, we derive a growth pressure equation for vine robots of arbitrary shape, which we use to show that there always exists a minimum-pressure path that is piecewise-linear and can bend only at specific points on the obstacles. We then leverage this observation to reduce the growth-planning problem to a shortest-path problem with time-dependent weights, which we efficiently solve using a modified Dijkstra's algorithm. We demonstrate the speed and scalability of our approach through numerical simulations. We also validate our algorithm with hardware experiments and provide an open-source and high-performance implementation in the Python package, VinePlanner: https://github.com/Ahsoka/VinePlanner.
• Abstract（参考訳）: Vineロボットは、先端から広がることで、散らかった環境をナビゲートする。 このような環境での運用能力は広く実証されているが、成長計画、すなわち最適な成長経路の発見にはほとんど取り組んでいない。 さらに、既存のプランナーは、所定の経路に従うために必要な成長圧力を考慮せず、ロボットが高すぎると破裂する可能性がある。 本稿では,多目的障害物周辺で成長するブドウ栽培ロボットに対して,最小圧経路を求める問題に対処する。 離散化パラメータが0に近づくと消滅する誤差を伴って,グローバルな最適解を2次元で,近似解を3次元で発見することが保証される効率的なアルゴリズムを提案する。 まず,任意の形状のブドウ栽培用ロボットの増殖圧力方程式を導出し,各障害物の特定の点でのみ屈曲できる最小圧経路が常に存在することを示す。 次に、この観測を利用して成長計画問題を時間依存重み付き最短経路問題に還元し、ジクストラのアルゴリズムを改良して効率よく解く。 数値シミュレーションにより,本手法の高速化とスケーラビリティを実証する。 また、我々のアルゴリズムをハードウェア実験で検証し、PythonパッケージであるVinePlannerにオープンソースで高性能な実装を提供する。

関連論文リスト

• Constrained Stein Variational Gradient Descent for Robot Perception, Planning, and Identification [11.126853736828984]
  本稿では、制約付き最適化の原理を新しい変分推論に応用する2つの新しいフレームワークを提案する。 衝突を正確に回避するロボット動作計画,SE(3)多様体上のロボットアーム関節角度の正確なテーブル配置制約,およびテーブル配置制約付きポイントクラウドからのオブジェクトポーズの分布を構築することができることを示す。
  論文  参考訳（メタデータ） (2025-05-31T14:52:34Z)
• STAMP: Differentiable Task and Motion Planning via Stein Variational Gradient Descent [35.96763689715956]
  シーケンシャルなロボティクスタスクの計画には、しばしば記号的および幾何学的推論を必要とする。 TAMPアルゴリズムは、運動学的および動的実現可能性を確認しながら、高レベルのタスクシーケンス上でツリーサーチを実行することで、これらの問題を解決するのが一般的である。 本稿では,ハイブリッド最適化問題を連続領域に緩和するSTAMP(Stein Task and Motion Planning)という新しいTAMP手法を提案する。
  論文  参考訳（メタデータ） (2023-10-03T03:53:51Z)
• 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)
• Multi-Robot Active Mapping via Neural Bipartite Graph Matching [49.72892929603187]
  本稿では,最小時間ステップにおけるシーンマップ構築の完全化を目的としたマルチロボットアクティブマッピングの問題点について検討する。 この問題の鍵は、より効率的なロボットの動きを可能にするゴール位置推定にある。 本稿では,ニューラルコマッピング(NeuralCoMapping)という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-30T14:03:17Z)
• Prioritized SIPP for Multi-Agent Path Finding With Kinematic Constraints [0.0]
  MAPF(Multi-Agent Path Finding)は、ロボティクスと人工知能における長年の問題である。 この問題をある程度緩和する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-11T10:42:11Z)
• Large Scale Distributed Collaborative Unlabeled Motion Planning with Graph Policy Gradients [122.85280150421175]
  本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。 ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
  論文  参考訳（メタデータ） (2021-02-11T21:57:43Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• New Fusion Algorithm provides an alternative approach to Robotic Path planning [0.0]
  本稿では,カスタム2次元環境における経路計画問題の解法として,新しい,効率的な融合アルゴリズムを提案する。 新しい融合アルゴリズムは、スムーズな性能で実現可能であり、従来の経路計画のA*戦略に代わる、時間効率で安価な代替手段として満足できる。
  論文  参考訳（メタデータ） (2020-06-06T17:52:00Z)

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。