論文の概要: A Physics-Informed Collision Learning Framework for Collaborative Robot Motion Generation
- arxiv url: http://arxiv.org/abs/2610.12404v1
- Date: Thu, 08 Oct 2026 17:45:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.235718
- Title: A Physics-Informed Collision Learning Framework for Collaborative Robot Motion Generation
- Title（参考訳）: 協調型ロボット運動生成のための物理情報を用いた協調学習フレームワーク
- Abstract要約: 本稿では,体間衝突距離予測のための物理情報を用いた統合微分可能なフレームワークPI-UDFを提案する。
PI-UDFは解析的な前方運動学と学習可能なリンク幾何埋め込みと共有残差ネットワークを組み合わせて、ペアワイズアーム間距離を予測する。
提案手法は,高速に近い14-DoFデュアルアームスワップ,持続的単一アームダイナミック回避,動的回避計画設定により,実2重フランカプラットフォーム上でのフレームワークの有効性を検証した。
- 参考スコア（独自算出の注目度）: 6.1380869474475075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Close-proximity multi-arm manipulation requires collision models that are both geometrically accurate and differentiable enough for real-time optimization. Classical geometry checkers provide reliable distances but are difficult to use inside gradient-based model predictive control, while conservative proxy models can restrict tightly coupled motion. We present PI-UDF, a physics-informed unified differentiable framework for body-to-body collision distance prediction between articulated robots. PI-UDF combines analytical forward kinematics with learnable link-geometry embeddings and a shared residual network to predict pairwise inter-arm distances directly from robot configurations. To improve safety-critical fidelity, we combine quota-driven boundary mining with an asymmetric boundary-crossing penalty that emphasizes false-safe sign errors near the collision boundary. The learned distance field is integrated into nonlinear MPC as a differentiable inter-arm clearance term. We validate the framework on a real dual-Franka platform through high-speed close-proximity 14-DoF dual-arm swapping, sustained single-arm dynamic evasion, and dynamic-evasion planning configurations with frozen, predicted, and target-switching treatments of the moving arm. Hardware experiments and offline Drake/FCL replay show that PI-UDF provides a differentiable inter-arm clearance estimate suitable for closed-loop collision-aware collaborative robot motion generation.
- Abstract（参考訳）: 近接近似マルチアーム操作は、幾何学的に正確で、リアルタイム最適化に十分な微分が可能な衝突モデルを必要とする。
古典的幾何チェッカーは信頼性のある距離を提供するが、勾配に基づくモデル予測制御の内部での使用は困難である。
本稿では,ロボット同士の衝突距離予測のための物理情報を用いた統合微分可能なフレームワークPI-UDFを提案する。
PI-UDFは、解析的な前方運動学と学習可能なリンク幾何学埋め込みと共有残差ネットワークを組み合わせることで、ロボット構成から直接、ペアワイズアーム間距離を予測する。
クオータ駆動境界採掘と非対称境界交差ペナルティを組み合わせ, 衝突境界付近の偽安全標識誤りを強調する。
学習した距離場は、微分可能な武器間クリアランス項として非線形MPCに統合される。
移動アームの高速近接近似14-DoFデュアルアームスワップ、持続シングルアームダイナミック回避、凍結・予測・目標スイッチング処理による動的回避計画構成により、実際のデュアルフランカプラットフォーム上でのフレームワークの有効性を検証した。
ハードウェア実験とオフラインのDrake/FCLリプレイにより、PI-UDFはクローズドループ衝突対応協調ロボットモーション生成に適した異種腕間クリアランス推定を提供することが示された。
関連論文リスト
- Predictive Relative-Velocity Steering for Safe Robotic Manipulator Teleoperation in Dynamic Environments [7.297209090323272]
本稿では,衝突回避のための軽量でモジュラーなフレームワークを提案する。
このフレームワークはまず、オーバーシュート保護を統合した時間対衝突に基づく潜在的な衝突を予測する。
偏向はその大きさを保ちながら相対速度の方向だけを変える。
論文 参考訳（メタデータ） (2026-08-13T14:17:12Z) - GASP: GPU-Accelerated Safe Planner for Real-Time Collision-Aware Motion Generation with Latent Trajectory Sampling [1.2669530824264628]
GASPは、既知の環境でのリアルタイムで衝突対応の宇宙空間運動生成のためのGPUアクセラレーションセーフプランナである。
GASPは、クランプされたB-スプライン軌道パラメータ化と、自由内部制御点を予測する畳み込み残差ニューラルネットワークを組み合わせる。
我々は、GASPをオンラインモーションジェネレーションモジュールとして検証し、衝突認識能力の高い解析レベルの成功率を達成する。
論文 参考訳（メタデータ） (2026-08-05T09:18:16Z) - 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) - Real-Time and Accurate Collision-Free Teleoperation via Differentiable Constraint-Based Trajectory Planning [1.4699455652461726]
この問題を緩和するための一般的な戦略は、最適制御に基づく軌道計画を用いて演算子の入力を強化することである。
我々は、凸最適化における双対性に基づいて、最近の微分可能な衝突回避制約の定式化を遠隔操作設定に適用する。
その結果,提案手法はより高精度な障害物モデリングを実現するとともに,計算時間を短縮できることがわかった。
論文 参考訳（メタデータ） (2026-06-07T16:39:56Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field [23.48697826890044]
非構造環境における高次元マニピュレータ操作には、異なるシーンに依存しない距離問合せ機構が必要である。
CSSDF-Netは、連続署名された距離フィールドを構成空間内で直接学習し、共同空間距離と勾配クエリを提供する。
平面アームと7-DoFマニピュレータの実験は、静的および動的シーンにおける安定した勾配、効果的な衝突回避を示す。
論文 参考訳（メタデータ） (2026-03-19T09:31:41Z) - 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) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。