論文の概要: Contact-Rich Motion Planning via GPU-Parallel Mode Evaluation

• arxiv url: http://arxiv.org/abs/2609.21803v1
• Date: Fri, 18 Sep 2026 14:16:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.138209
• Title: Contact-Rich Motion Planning via GPU-Parallel Mode Evaluation
• Title（参考訳）: GPUパラレルモード評価によるコンタクトリッチ動作計画
• Abstract要約: パラレルトラジェクトリ最適化(CoMET)によるコンタクトモード拡張について紹介する。 ベンチマークのプッシュに関して、CoMETはソリューションの品質と計画時間の最適化、サンプリング、ツリー検索のベースラインと競合しています。 双方向の非包括的操作において、GPUフレンドリなローカルモード拡張は、モード空間が大きくなるにつれて、テストされた適応木探索よりも高い計画的成功を達成する。
• 参考スコア（独自算出の注目度）: 11.448622437140022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contact-rich motion planning (CRMP) is essential for robotic manipulation and locomotion, yet remains computationally challenging due to combinatorial contact decisions. Existing methods typically avoid broad evaluation of contact-mode sequences through search heuristics or optimization reformulations. We revisit broad evaluation in light of modern GPU hardware and introduce Contact-Mode Expansion with parallel Trajectory optimization (CoMET), which combines GPU-parallel trajectory evaluation with greedy contact-mode expansion. On planar pushing benchmarks, CoMET is competitive with optimization-based, sampling, and tree-search baselines in solution quality and planning time, matching the full-enumeration reference on nearly all instances with fewer evaluations and shorter planning times. Ablations suggest that much of the performance gain comes from the high-throughput trajectory evaluator. In bimanual nonprehensile manipulation, GPU-friendly local mode expansion achieves higher planning success than the tested adaptive tree search as the mode space grows. These results demonstrate that broad explicit mode evaluation provides a simple yet effective alternative for CRMP.
• Abstract（参考訳）: コンタクトリッチ・モーション・プランニング(CRMP)はロボット操作や移動に不可欠であるが、組合せ的な接触決定のために計算的に困難である。 既存の手法は、探索ヒューリスティックスや最適化修正を通じて、コンタクトモードシーケンスの広範な評価を避けるのが一般的である。 我々は,最新のGPUハードウェアに照らして幅広い評価を行い,GPU並列軌道評価とグリージーな接触モード拡張を組み合わせた並列軌道最適化(CoMET)を導入している。 プランナプッシュベンチマークでは、CoMETはソリューションの品質と計画時間における最適化ベース、サンプリング、ツリー検索ベースラインと競合し、ほぼすべてのインスタンスの完全な列挙参照を、より少ない評価と短い計画時間で一致させる。 アブレーションは、性能向上の大部分が高スループット軌道評価器によるものであることを示唆している。 双方向の非包括的操作において、GPUフレンドリなローカルモード拡張は、モード空間が大きくなるにつれて、テストされた適応木探索よりも高い計画的成功を達成する。 これらの結果は、広範囲な明示的なモード評価がCRMPの単純かつ効果的な代替手段であることを示している。

関連論文リスト

• Fast Asymptotically Optimal Kinodynamic Planning via Vectorization [0.764671395172401]
  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。
  論文  参考訳（メタデータ） (2026-07-04T19:07:03Z)
• K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
  既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。 我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。 GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
  論文  参考訳（メタデータ） (2026-02-22T11:06:22Z)
• KompeteAI: Accelerated Autonomous Multi-Agent System for End-to-End Pipeline Generation for Machine Learning Problems [36.17807193758863]
  KompeteAIは、動的ソリューション空間探索を備えた新しいAutoMLフレームワークである。 我々は動的ソリューション空間探索を備えた新しいAutoMLフレームワークであるKompeteAIを紹介する。 我々は,MLE-Benchにおける制約に対応するために,Kompete-benchを提案する。
  論文  参考訳（メタデータ） (2025-08-13T20:29:56Z)
• ParBalans: Parallel Multi-Armed Bandits-based Adaptive Large Neighborhood Search [12.249099965011458]
  本稿では,MIPの適応型大近傍探索であるBaransの並列化機能について検討する。 我々はParBalansを紹介した。ParBalansは、解決レベルとアルゴリズムレベルの並列性を利用して、挑戦的なMIPインスタンスのパフォーマンスを改善する拡張である。 実験の結果,ParBalans は最先端の商用解法である Gurobi と比較して競争性能が高いことが示された。
  論文  参考訳（メタデータ） (2025-08-08T22:30:19Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Continuous Monte Carlo Graph Search [61.11769232283621]
  連続モンテカルログラフサーチ(Continuous Monte Carlo Graph Search, CMCGS)は、モンテカルログラフサーチ(MCTS)のオンラインプランニングへの拡張である。 CMCGSは、計画中、複数の州で同じ行動方針を共有することで高いパフォーマンスが得られるという洞察を生かしている。 並列化によってスケールアップすることができ、学習力学モデルによる連続制御においてクロスエントロピー法(CEM)よりも優れている。
  論文  参考訳（メタデータ） (2022-10-04T07:34:06Z)

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。