論文の概要: Funnel planning and control for manipulators using neural Signed Configuration Distance Functions
- arxiv url: http://arxiv.org/abs/2610.14917v1
- Date: Sat, 10 Oct 2026 13:39:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 11:06:02.262118
- Title: Funnel planning and control for manipulators using neural Signed Configuration Distance Functions
- Title（参考訳）: ニューラルサイン型構成距離関数を用いたマニピュレータのファンネル計画と制御
- Abstract要約: マニピュレータのための新しいファンネル計画と制御手法を提案する。
我々は、衝突のない球や勾配を推定するために、ニューラルサイン付き構成距離関数(nSCDF)を用いる。
ファンネル制御にnSCDFを用いた場合, 動作性能とロバスト性の向上が観察された。
- 参考スコア（独自算出の注目度）: 12.527286929738706
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust motion planning and control for manipulators is the problem of guaranteeing safe execution and collision-free motion under disturbances. The Kinodynamic Motion Planning via Funnel Control (KDF) is a recently proposed planner that comes with robustness guarantees and is particularly attractive for collision-free control as it guarantees closed-loop evolution inside a funnel, i.e., a collision-free region around a nominal trajectory. Despite its attractive theoretical properties, the current approach for computing funnels is computationally demanding, which limits its expressiveness and performance. We address its current limitations by proposing a novel funnel planning and control solution. Our key tool to enable this is a neural Signed Configuration Distance Function (nSCDF) which allows us to estimate collision-free balls and gradients in a computationally efficient way. We use the nSCDF in our planner to compute a nominal trajectory, where path length and clearance are balanced. To track the trajectory with collision-avoidance guarantees, we design a funnel controller that exploits the geometric information from the nSCDF. From numerical experiments, we observe that our planner produces nominal paths $2$ times faster, while at the same time obtaining $20 \%$ shorter path length and $5$ times the clearance. Finally, we also observe improved motion performance and robustness properties when using the nSCDF for funnel control.
- Abstract（参考訳）: マニピュレータのロバストな動作計画と制御は、障害時の安全な実行と衝突のない動作を保証する問題である。
Kinodynamic Motion Planning via Funnel Control (KDF)は、最近提案されたプランナーであり、特に、ファンネル内のクローズドループ進化、すなわち名目軌道周辺の衝突のない領域を保証するため、ロバスト性を保証するとともに、衝突のない制御に魅力的である。
その魅力的な理論的性質にもかかわらず、ファンネル計算の現在のアプローチは計算的に要求され、表現性と性能が制限されている。
我々は、新しいファンネル計画と制御ソリューションを提案することで、現在の制限に対処する。
これを実現するための重要なツールは、衝突のないボールや勾配を計算的に効率的に推定できる、ニューラルサイン付き構成距離関数(nSCDF)です。
我々は,nSCDFを用いて,経路長とクリアランスのバランスをとる名目軌道を計算する。
衝突回避保証による軌道追跡のために, nSCDFの幾何学的情報を利用するファンネルコントローラを設計する。
数値実験から,計画立案者は名目パスを2ドル速く生成すると同時に,20ドル以上の短距離パス長と5ドル程度のクリアランスを得ることができた。
最後に, ファンネル制御にnSCDFを用いた場合, 動作性能とロバスト性の向上も観察した。
関連論文リスト
- Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance [49.35246226163005]
本稿では、予測リスクブレンド制御バリア機能(ARB-CBF)を統合することにより、動的環境における安全クリティカルなナビゲーションに反復学習計画(ILP)を拡張する。
総合的なシミュレーションと実世界の実験により、最適化ベースのベースラインに比べて計算オーバーヘッドが低く、時間効率と安全性が優れていることが証明された。
論文 参考訳（メタデータ） (2026-09-17T14:12:36Z) - Safety-aware Model Predictive Path Integral Control with Signal Temporal Logic [9.67332310753527]
提案手法は, サンプリング・ベース・リレーディング・ホライゾン・プランニング・フレームワークであるセーフティ・アウェア・ストル-mppiを提案する。
提案手法は離散時間STL式を候補時間変化制御バリア関数に符号化する。
論文 参考訳（メタデータ） (2026-08-25T02:00:50Z) - A Task-Space Receding Horizon Controller for Fast Collision Avoidance [0.08594140167290099]
ロボットマニピュレータのリアルタイム衝突回避には、予期せぬ障害物運動に対する迅速な反応が必要である。
完全なモデル予測制御は、この展望を提供することができるが、オンラインコストは、水平線長、モデル忠実度、アクティブな幾何学的制約の数とともに急速に増大する可能性がある。
本稿では, 短時間の接触一貫性を持つロールアウトを用いて, 終端キネマティック参照を生成するタスクスペースリテーディング・ホライゾンコントローラを提案する。
論文 参考訳（メタデータ） (2026-07-17T08:13:12Z) - Safe Polytope-in-Polytope Motion Planning and Control with Control Barrier Functions [45.68209588239261]
本研究は,多目的ロボットのフットプリントが凸自由空間領域内に留まることを保証する安全な局所運動計画制御手法を提案する。
提案された自由空間定式化では障害物検出やセグメンテーションは不要である。
このアプローチは、自動運転車と非ホロノミックな移動ロボットによるハードウェアによるシミュレーションで検証されている。
論文 参考訳（メタデータ） (2026-06-08T16:44:28Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - DikpolaSat Mission: Improvement of Space Flight Performance and Optimal
Control Using Trained Deep Neural Network -- Trajectory Controller for Space
Objects Collision Avoidance [0.0]
本稿では,宇宙船を所望の経路に追従させることにより,制御器の実証を行う方法について述べる。
障害回避アルゴリズムは、ニューラルネットワークからの入力を使用して自然に応答する制御機能に組み込まれる。
飛行制御と燃料消費を最適化するための複数のアルゴリズムは、軌道の飛行力学の知識を用いて実装することができる。
論文 参考訳（メタデータ） (2021-05-30T23:35:13Z) - Trajectory Planning for Autonomous Vehicles Using Hierarchical
Reinforcement Learning [21.500697097095408]
不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。
RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。
軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
論文 参考訳（メタデータ） (2020-11-09T20:49:54Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z)
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。