論文の概要: CAMP: Cooperative Arm-Hand Motion Planning in Constrained Spaces
- arxiv url: http://arxiv.org/abs/2609.29021v1
- Date: Thu, 24 Sep 2026 04:45:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.721568
- Title: CAMP: Cooperative Arm-Hand Motion Planning in Constrained Spaces
- Title（参考訳）: CAMP:制約空間における協調的アームハンド運動計画
- Abstract要約: 協調した手の動き計画は、器用なロボット操作に不可欠である。
制約環境に対する高次元かつ効率的な協調アームハンド運動プランナであるCAMPを提案する。
- 参考スコア（独自算出の注目度）: 24.73330737430887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coordinated arm-hand motion planning is fundamental to dexterous robotic manipulation in complex and constrained environments. A straightforward solution is to decompose the problem into separate arm path planning and hand motion generation; however, this poses a dilemma: decomposition can miss feasible solutions that require coordinated arm-hand adaptation along the path. Alternatively, directly planning in the high-dimensional joint arm-hand configuration space captures such coupling but faces a substantially enlarged search space and nonconvex collision constraints. To characterize this coupling, we formulate feasible hand fibers that capture collision-free hand configurations for each arm configuration. Based on this formulation, we propose CAMP, a high-success and efficient cooperative arm-hand motion planner for constrained environments. CAMP constructs candidate trajectories through layered hand search with local arm relaxation, then compactly represents them using endpoint-preserving via-point movement primitives (VMPs) for coarse-to-fine joint optimization. Across six constrained simulation tasks, CAMP achieves 84.2-98.5% planning success, outperforming alternative planners with competitive efficiency. Ablation studies verify the contributions of arm relaxation, VMP representation, and coarse-to-fine optimization, while real-robot experiments demonstrate CAMP on constrained manipulation tasks. The project website is available at https://camp-armhand.github.io/.
- Abstract（参考訳）: 協調した手の動き計画は、複雑で制約のある環境での器用なロボット操作に不可欠である。
簡単な解法は、問題を別々のアームパス計画とハンドモーション生成に分解することであるが、これはジレンマを引き起こす。
あるいは、高次元のジョイントアームハンド構成空間における直接計画は、そのような結合をキャプチャするが、大幅に拡大された探索空間と非凸衝突制約に直面している。
この結合を特徴付けるために、各アーム構成に対して衝突のないハンド構成をキャプチャする実行可能なハンドファイバーを定式化する。
この定式化に基づいて,制約環境に対する高精度かつ効率的な協調アームハンド・モーション・プランナであるCAMPを提案する。
CAMPは、局所的アーム緩和による階層的手探究を通して候補軌跡を構築し、粗大な関節最適化のためにエンドポイント保存型バイスポイント運動プリミティブ(VMP)を用いてそれらをコンパクトに表現する。
6つの制約されたシミュレーションタスクの中で、CAMPは84.2-98.5%の計画成功を達成し、競争効率で代替プランナーを上回っている。
アブレーション研究は、アーム緩和、VMP表現、粗大な最適化の寄与を検証し、一方、実ロボット実験は制約された操作タスクにおけるCAMPを実証する。
プロジェクトのWebサイトはhttps://camp-armhand.github.io/.comで公開されている。
関連論文リスト
- CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。
このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。
シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
論文 参考訳（メタデータ） (2026-09-07T13:47:22Z) - PRISM: Projection-Integrated Sampling-Based MPC with Bayesian Cost Tuning for Bimanual Manipulation [1.9669271611151167]
乱雑で接触に富んだ環境での双方向操作には、協調した動きの生成、相互作用を考慮した計画、厳密なキネマティック制約下での信頼性の高い実行が必要である。
複雑なデュアルアーム操作のためのオンラインワールドモデルとして,GPU加速物理シミュレータを用いたプロジェクション統合サンプリングベースモデル予測制御フレームワークであるPRISMを提案する。
論文 参考訳（メタデータ） (2026-08-26T11:47:12Z) - Arm-Aware Guided Dexterous Grasp Generation with Arm-Agnostic Grasp Models [12.445657450962317]
腕の環境衝突回避、ワークスペース境界把握、連続的把握を含む現実のシナリオでは、デクサラス・グリップ生成が不可欠である。
従来のアームアウェア法は、非実用的サンプルを捨てるために拒絶サンプリングに依存するか、または腕固有のデータで再訓練を必要とする。
本文は,アームと環境情報を推論時にのみ統合しながら,トレーニング済みのアーム非依存のグリップモデルを活用する,アーム対応のデクスタラスグリップ生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-17T10:01:56Z) - Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats [76.98547580312116]
本稿では,分散モデル予測制御(MPC)と制御バリア関数(CBF)を組み合わせたハイブリッドフレームワークを提案する。
リアルタイムに安全を確保するため、分散CBFベースのフィルタを適用し、エージェント間回避を強制する。
論文 参考訳（メタデータ） (2026-07-22T16:37:05Z) - Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。
提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。
我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
論文 参考訳（メタデータ） (2026-05-05T04:49:38Z) - Fast and Safe Trajectory Optimization for Mobile Manipulators With Neural Configuration Space Distance Field [34.07401865897874]
Generalized Space Fields (GCDF) は、ベースアーム結合を移動マニピュレータに拡張するために使用できる。
GCDFは、非有界空間における全体構成をエンコードする。
我々はGCDFに基づく推論を中心に,高性能な最適化解法を開発した。
論文 参考訳（メタデータ） (2026-01-26T14:55:26Z) - ReMoSPLAT: Reactive Mobile Manipulation Control on a Gaussian Splat [3.983697124458495]
反応性制御は、移動マニピュレータのベースとアームの動きを優雅に調整することができる。
本稿では,モバイル操作のための2次プログラム定式化に基づくレスポンシブコントローラReMoSPLATを提案する。
論文 参考訳（メタデータ） (2025-12-10T13:52:08Z) - Reinforcement learning with combinatorial actions for coupled restless bandits [62.89013331120493]
提案するSEQUOIAは,動作空間に対する長期報酬を直接最適化するRLアルゴリズムである。
我々は,複数介入,経路制約,二部間マッチング,容量制約という,制約を伴う4つの新しいレスレス・バンディット問題に対して,SEQUOIAを実証的に検証した。
論文 参考訳（メタデータ） (2025-03-01T21:25:21Z) - Accelerating Search-Based Planning for Multi-Robot Manipulation by Leveraging Online-Generated Experiences [20.879194337982803]
MAPF(Multi-Agent Path-Finding)アルゴリズムは、離散的な2Dドメインで保証され、厳密な保証を提供する。
本稿では,その反復的かつ漸進的な性質を活用して,競合に基づく探索アルゴリズムを高速化する手法を提案する。
論文 参考訳（メタデータ） (2024-03-29T20:31:07Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。