論文の概要: PrismPlan: A Shared GPU Substrate for Motion Planning Across Paradigms
- arxiv url: http://arxiv.org/abs/2610.23884v1
- Date: Sat, 26 Sep 2026 13:46:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:56:12.710929
- Title: PrismPlan: A Shared GPU Substrate for Motion Planning Across Paradigms
- Title（参考訳）: PrismPlan: パラダイムを越えたモーションプランニングのための共有GPUベース
- Abstract要約: GPUアクセラレーションにより、モーションプランニングは桁違いに高速になったが、サンプリング、検索、最適化の3つのパラダイムは、互いに比較可能ではなかった。
PrismPlanは、このプリミティブを、すべてのプランナーが消費する、球面内衝突の共有基板として、一度構築する。
すべて同じデバイスコードを実行するため、バックエンドは構築によって固定され、パラダイムは直接比較することができる。
- 参考スコア（独自算出の注目度）: 5.163019914335389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GPU acceleration has made motion planning one to two orders of magnitude faster, but it has not made the three paradigms---sampling, search, and optimization---comparable to one another: every GPU-accelerated planner is built around a single paradigm, so comparing across libraries also compares their collision checkers. All three, however, bottleneck on the same GPU primitive: batched collision detection and the batched forward kinematics beneath it. PrismPlan builds that primitive once, as a shared substrate of per-sphere collision--kinematics device code that every planner consumes. Because they all execute the same device code, the backend is held fixed by construction and the paradigms can be compared head-to-head. We run six planners over 1800 MotionBenchMaker problems on three robots (7--14 DoF, one a dual-arm whole-body composite) at an equal 2s budget. On the 7-DoF Panda, sampling (pRRTC) is the most reliable paradigm at 98%, while parallel search (wPA*SE) follows within four points at a 3-4 times$ lower median latency, and the local optimizers trail well behind when made to solve from scratch. On the 14-DoF dual-arm composite, sampling still solves about 90% of feasible problems, while no search or optimization planner clears a third of them. Our open-source code is available at https://github.com/XiaoyubotMotionTeam/PrismPlan.
- Abstract（参考訳）: GPUアクセラレーションは、モーションプランニングを1～2桁高速化するが、サンプリング、検索、最適化の3つのパラダイムを互いに比較可能としていない。
しかし、同じGPUプリミティブでボトルネックとなるのは、バッチ衝突検出と、その下のバッチ前方運動学だ。
PrismPlanは、このプリミティブを、すべてのプランナーが消費する、球面内衝突の共有基板として、一度構築する。
すべて同じデバイスコードを実行するため、バックエンドは構築によって固定され、パラダイムは直接比較することができる。
1800 MotionBenchMakerの問題を3つのロボットで6つのプランナーを同じ2sの予算で実行しました。
7-DoFパンダでは、サンプリング(pRRTC)が98%で最も信頼性の高いパラダイムであり、並列探索(wPA*SE)は3～4倍の低い中央値レイテンシで4ポイント以内に従う。
14-DoFのデュアルアーム合成では、サンプリングは実現可能な問題の約90%をまだ解決しているが、探索や最適化のプランナーは3分の1をクリアしない。
私たちのオープンソースコードはhttps://github.com/XiaoyubotMotionTeam/PrismPlan.comで公開されています。
関連論文リスト
- Beyond the Trial-and-Error Loop: Hybrid Projection and Automated Tuning for Distributed Training [20.90211684851616]
Primus Projectionは、できることを計測し、できないことをシミュレートするハイブリッドプロジェクションエンジンである。
スコープ外の集合体、FSDPオーバーラップ、マルチノードターゲットでの完全なパイプラインスケジュールを解析的に復元する。
純粋なシミュレーションモードはCPU上で完全に動作し、GPUを使わずにプリシリコン計画を可能にする。
論文 参考訳（メタデータ） (2026-10-14T02:15:28Z) - GPU-Accelerated Bregman Douglas-Rachford Splitting for Discrete Optimal Transport [9.67585020500461]
本稿では,GPUを高速化したBregman Douglas--Rachfordスプリッティングアルゴリズム(BDRS)を提案する。
各入力形式に対して,BDRSの数学的等価表現のハードウェア対応設計を提案する。
我々は、同じデバイス上の文献から8つのGPUベースラインソルバに対して提案された3つの実装をベンチマークする。
論文 参考訳（メタデータ） (2026-10-03T19:08:01Z) - MR. POP: Multi-Robot Parallel Optimizing Planner for Almost-Surely Asymptotically Optimal Planning [7.075694114547751]
MR.POPはGPUベースのマルチロボットプランナで、dRRTとAO-xメタアルゴリズムに基づいている。
最先端のa.s.a.o.プランナーよりも高速で、最大35-DOFまでのマルチロボットシステムで100%解決率を達成する唯一のプランナーである。
論文 参考訳（メタデータ） (2026-09-25T00:33:33Z) - Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。
提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
論文 参考訳（メタデータ） (2026-08-03T19:48:24Z) - optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。
LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
論文 参考訳（メタデータ） (2026-05-19T10:18:12Z) - RoboGPU: Accelerating GPU Collision Detection for Robotics [5.256865583034078]
我々は、衝突クエリを3.1$times$で計算するRoboCoreを、レイトレーシングアクセラレータ(RTA)ユニットよりも高速に導入する。
RoboCoreは他のロボティクスのタスクにも役立ち、最先端のニューラルモーションプランナーで3.6$times$のスピードアップを達成した。
論文 参考訳（メタデータ） (2026-03-02T06:48:42Z) - MultiZenoTravel: a Tunable Benchmark for Multi-Objective Planning with
Known Pareto Front [71.19090689055054]
多目的AI計画では、既知のPareto Frontsを示すベンチマークが不足している。
提案するベンチマーク生成器と専用ソルバは、結果のインスタンスの真のParetoを確実に計算する。
本稿では,制約された問題に対して最適な計画を示すとともに,制約された問題に対する一般的な問題を減らす方法を示す。
論文 参考訳（メタデータ） (2023-04-28T07:09:23Z) - CabiNet: Scaling Neural Collision Detection for Object Rearrangement
with Procedural Scene Generation [54.68738348071891]
私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。
このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。
CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
論文 参考訳（メタデータ） (2023-04-18T21:09:55Z) - RAMA: A Rapid Multicut Algorithm on GPU [23.281726932718232]
本稿では,マルチカット問題(マグニチュード相関クラスタリング)に対する高並列原始双対アルゴリズムを提案する。
我々のアルゴリズムは、最適距離を推定する原始解と双対下界を生成する。
最大$mathcalO(108)$変数を数秒で、小さな原始双対ギャップで、非常に大規模なベンチマーク問題を解くことができる。
論文 参考訳（メタデータ） (2021-09-04T10:33:59Z) - Towards Fast, Accurate and Stable 3D Dense Face Alignment [73.01620081047336]
本稿では,速度,精度,安定性のバランスをとる3DDFA-V2という新しい回帰フレームワークを提案する。
本研究では,静止画を平面内と面外の動きを取り入れた映像に変換する仮想合成法を提案する。
論文 参考訳（メタデータ） (2020-09-21T15:37:37Z) - MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical
Models [96.1052289276254]
この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。
驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
論文 参考訳（メタデータ） (2020-04-16T16:20:53Z)
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。