論文の概要: Shape-Aware Neural Time Fields for Rigid-Body Motion and Manipulation Planning
- arxiv url: http://arxiv.org/abs/2610.22762v1
- Date: Fri, 16 Oct 2026 00:05:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.71805
- Title: Shape-Aware Neural Time Fields for Rigid-Body Motion and Manipulation Planning
- Title（参考訳）: 剛体運動とマニピュレーション計画のための形状認識型ニューラルネットワーク時間場
- Abstract要約: 剛体運動のための再利用可能な移動時間、すなわちコスト対ゴーの表現を学習する物理インフォームド・ニューラルモーション・プランニング・フレームワークを提案する。
本研究では,2次元および3次元の剛体計画タスクおよびオブジェクトプッシュによる非包括的操作におけるフレームワークの評価を行った。
- 参考スコア（独自算出の注目度）: 20.56379621876398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rigid-body motion planning is fundamental to robotic transport and manipulation, where both object position and orientation determine whether a body can move through cluttered environments. This coupling makes planning chal- lenging because translation and rotation can be constrained very differently by surrounding geometry. We propose Shape- Aware Neural Time Fields, a physics-informed neural motion planning framework that learns a reusable travel-time, or cost- to-go, representation for rigid-body motion while explicitly accounting for these distinct geometric restrictions. The learned field captures local motion difficulty in translation and rotation and is paired with a sampling-based planner that balances progress toward the goal with the cost of reaching nearby poses. We evaluate the framework across 2D and 3D rigid- body planning tasks and non-prehensile manipulation through object pushing in diverse environments. Results show substantial improvements in planning success and inference efficiency over physics-informed neural planning baselines, while remaining competitive with classical sampling-based planners at significantly lower planning times. Ablation studies further validate the contributions of both the learned representation and the proposed planning strategy. Finally, closed-loop pushing experiments under execution deviations and external disturbances demonstrate that fast replanning enables reactive and adaptive task execution.
- Abstract（参考訳）: 剛体運動計画は、物体の位置と向きの両方が、物体が散らばった環境を移動できるかどうかを決定するロボット輸送と操作の基礎となる。
この結合は、変換と回転が周囲の幾何学によって非常に異なる制約を受けることができるため、計画的なチャルレンジングを引き起こす。
本研究では, 物理インフォームド・ニューラル・タイム・プランニング・フレームワークであるシェープ・アウェア・ニューラル・タイム・フィールド(Shape-Aware Neural Time Fields)を提案する。
学習フィールドは、翻訳と回転における局所的な動きの難しさを捉え、近くのポーズに到達するコストと目標に向かって進行のバランスをとるサンプリングベースのプランナーとペアリングする。
本研究では,2次元および3次元の剛体計画作業および多種多様な環境における物体の押し込みによる非包括的操作におけるフレームワークの評価を行った。
その結果, 従来のサンプリングベースプランナーと競争しながら, 物理インフォームド・ニューラルプランニングベースラインよりも計画成功と推論効率が大幅に向上した。
アブレーション研究は、学習された表現と提案された計画戦略の両方の貢献を更に検証する。
最後に、実行逸脱や外部障害によるクローズドループプッシュ実験は、高速なリプランニングによって、リアクティブで適応的なタスク実行が可能になることを証明している。
関連論文リスト
- Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。
タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。
我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-22T22:58:47Z) - Toward Generalist Neural Motion Planners for Robotic Manipulators: Challenges and Opportunities [25.740652207276508]
最先端のジェネラリスト操作ポリシーは、非構造的ヒト環境へのロボットマニピュレータの展開を可能にしている。
ロボットの構成空間の高次元性と作業空間の障害物の存在のため、運動計画はまだ難しいままである。
本稿では、最先端のニューラルモーションプランナーをレビューし、分析し、それらの利点と限界を強調した。
論文 参考訳（メタデータ） (2026-03-25T13:59:42Z) - Ultrafast Sampling-based Kinodynamic Planning via Differential Flatness [15.37007491684187]
AkinoPDFは、多種多様なフラットなロボットシステムのための高速並列サンプリングに基づくキノダイナミックモーションプランニング技術である。
我々の手法は高速で正確で、どのサンプリングベースモーションプランナーとも互換性がある。
論文 参考訳（メタデータ） (2026-03-17T01:53:10Z) - Temporal Straightening for Latent Planning [58.131390107122456]
潜時計画のための表現学習を改善するために時間的ストレート化を導入する。
曲率の減少は、ラテント空間におけるユークリッド距離が測地線距離のより良いプロキシとなることを示す。
論文 参考訳（メタデータ） (2026-03-12T17:49:47Z) - Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions [44.139198749024644]
Task and Motion Planningは、高レベルのタスクシークエンシングと低レベルのモーションプランニングを組み合わせることで、実現可能な、衝突のない実行計画を生成する。
本稿では,共有ワークスペースにおける多目的ナビゲーションのスケジューリングと動作計画問題としてこれを定式化する。
本稿では,市販のスケジューラと運動プランナをインクリメンタル学習ループでインターリーブする,新たなソリューションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T11:10:49Z) - Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。
提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。
我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
論文 参考訳（メタデータ） (2024-09-09T17:59:45Z) - Potential Based Diffusion Motion Planning [73.593988351275]
本稿では,潜在的行動計画の学習に向けた新しいアプローチを提案する。
我々はニューラルネットワークを訓練し、運動計画軌跡よりも容易に最適化可能なポテンシャルを捕捉し、学習する。
我々は、その固有の構成可能性を示し、様々な動きの制約に一般化することができる。
論文 参考訳（メタデータ） (2024-07-08T17:48:39Z) - Unified Task and Motion Planning using Object-centric Abstractions of
Motion Constraints [56.283944756315066]
本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。
我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
論文 参考訳（メタデータ） (2023-12-29T14:00:20Z) - Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion
Planning [36.300564378022315]
本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。
本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
論文 参考訳（メタデータ） (2022-11-03T04:12:04Z) - Learning Obstacle Representations for Neural Motion Planning [70.80176920087136]
学習の観点から,センサを用いたモーションプランニングに対処する。
近年の視覚認識の進歩により,運動計画における適切な表現の学習の重要性が議論されている。
本稿では,PointNetアーキテクチャに基づく新しい障害物表現を提案し,障害物回避ポリシーと共同で学習する。
論文 参考訳（メタデータ） (2020-08-25T17:12:32Z)
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。