論文の概要: FWIK: Multi-Waypoint IK Selection via Lookahead Graph Search
- arxiv url: http://arxiv.org/abs/2611.05897v1
- Date: Wed, 04 Nov 2026 03:43:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.934388
- Title: FWIK: Multi-Waypoint IK Selection via Lookahead Graph Search
- Title(参考訳): FWIK: Lookahead Graph SearchによるマルチウェイポイントIK選択
- Abstract要約: エンドエフェクタポーズの順序の順序は、冗長なロボットアームに各ウェイポイントで複数の有効な関節構成を与えることができる。
次のウェイポイントでのみ構成を選択すると、後続のウェイポイントでは腕の配置が不十分になる。
本稿では,将来の方向の小さなウィンドウを考慮し,IKソリューションを選択するオンライン手法であるFuture-Window Inverse Kinematics(FWIK)を提案する。
- 参考スコア(独自算出の注目度): 1.6416820068502949
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An ordered sequence of end-effector poses can give a redundant robot arm multiple valid joint configurations at each waypoint. Inverse kinematics (IK) computes these configurations. Choosing a configuration only for the next waypoint can leave the arm poorly placed for later waypoints. This may increase planned motion time or cause a later planning failure. This paper presents Future-Window Inverse Kinematics (FWIK), an online method that selects IK solutions by considering a small window of future waypoints. FWIK generates several IK candidates, connects them in a layered joint-space graph, and ranks candidate paths with a simple motion-time estimate. A learned model removes paths whose transitions are likely to cause self-collision. A standard MoveIt 2 planner then checks the next-waypoint IK goals from the remaining paths in ranked order, and the first goal that yields a valid trajectory is selected for execution. We evaluate FWIK in simulation on two 7-DoF manipulators, the Franka Emika Panda and the KUKA LBR iiwa. Each method-planner setting contains five repetitions of 100 sequences with 50 waypoints. Across Pilz, RRT-Connect, CHOMP, and STOMP, FWIK completes 96.8-100% of sequences and gives the shortest planned trajectory duration in all eight robot-planner settings. Its mean duration is 12.8-13.1% lower than STAMPEDE, 22.5-25.6% lower than IKLink, and 27.5-37.2% lower than retry-based TRAC-IK. The results show that a small future window can improve sequence completion and reduce planned motion time while leaving final trajectory validation to the motion planner.
- Abstract(参考訳): エンドエフェクタポーズの順序の順序は、冗長なロボットアームに各ウェイポイントで複数の有効な関節構成を与えることができる。
逆キネマティクス(英語版)(IK)はこれらの構成を計算する。
次のウェイポイントでのみ構成を選択すると、後続のウェイポイントでは腕の配置が不十分になる。
これは計画的な動作時間を増やすか、後に計画的な失敗を引き起こす可能性がある。
本稿では,将来の方向の小さなウィンドウを考慮し,IKソリューションを選択するオンライン手法であるFuture-Window Inverse Kinematics(FWIK)を提案する。
FWIK はいくつかの IK 候補を生成し、それらを層状結合空間グラフで接続し、単純な動き時間推定で候補経路をランク付けする。
学習されたモデルは、遷移が自己衝突を引き起こす可能性のある経路を除去する。
標準のMoveIt 2プランナーは、ランク付けされた順序で残りの経路から次のIKゴールをチェックし、有効な軌道を得る最初のゴールが実行のために選択される。
我々はFWIKを,Franka Emika PandaとKUKA LBR iiwaの2つの7-DoFマニピュレータのシミュレーションで評価した。
各メソッドプランナ設定は、50のウェイポイントを持つ100のシーケンスの5つの繰り返しを含む。
Across Pilz, RRT-Connect, CHOMP, STOMP では、FWIK は96.8-100%のシーケンスを完了し、8つのロボットプランナ設定で最短の軌道長を提供する。
平均寿命はSTAMPEDEより12.8-13.1%低く、IKLinkより2.5-25.6%低く、リトライベースのTRAC-IKより27.5-37.2%低い。
実験の結果,動作プランナに最終的な軌道検証を残しながら,小さなウィンドウでシーケンス完了を改善し,計画された動作時間を短縮できることが示唆された。
関連論文リスト
- DRIFT: Drift and Aggregation for Motion Planning [20.309189828710362]
DRIFTは1ステップのドリフトをコンパクトな軌跡空間内でのドリフトとシーン認識型提案アグリゲーションを組み合わせた固定深度軌道プランナーである。
軽量アグリゲーションヘッドはこれらの特徴をシーン、ナビゲーション、エゴステート情報と統合し、最終軌道を直接予測する。
その出力は、専門家軌道の模倣と、乾燥可能なポリゴンの外側のウェイポイントをペナライズする地図由来境界正規化器で訓練されている。
論文 参考訳(メタデータ) (2026-07-16T02:43:13Z) - Coupled Routing and Configuration Optimization for Multi-Viewpoint Robotic Inspection [4.164290233214403]
9-DoFロボットシステムにおいて、6-DoF検査の視点を時間的・衝突のない経路に変換する統一的な枠組みを提案する。
ビュー毎の1つの逆キネマティクス(IK)構成を固定するモジュールパイプラインとは異なり、全ペアの旅行時間マップを構築し、ルートを作成すれば、単一のグローバル検索において、訪問順序と視点ごとの設定を協調的に最適化できる。
論文 参考訳(メタデータ) (2026-06-17T17:14:54Z) - Test-Time Trajectory Optimization for Autonomous Driving [77.87162309994567]
自動運転のためのエンド・ツー・エンドのプランナーは、通常、一連の候補軌跡を生成し、それぞれをスコアし、最高スコアの候補を返す。
我々は、スコアラを学習軌跡レベルの報酬関数として扱い、それを最大化する軌跡を探索する。
提案手法であるTOAD(Cross-Entropy Method:クロスエントロピー法)をテスト時に実行し,プランナーの提案からウォームスタートする。
論文 参考訳(メタデータ) (2026-06-05T11:39:27Z) - TAPNext++: What's Next for Tracking Any Point (TAP)? [58.6925880906723]
本稿では,低メモリとアーキテクチャの計算フットプリントを保ちながら,桁数桁長の点を追跡するモデルを提案する。
再検出性能が現在の文献の盲点であることを強調し,新しいメトリクスであるRe-detection Average Jaccardを導入する。
複数のベンチマークにおいて,再帰型トランスフォーマーがポイントトラッキングのために大幅に改善され,新たな最先端のモデルが設定できることが実証された。
論文 参考訳(メタデータ) (2026-04-12T11:02:13Z) - ViIK: Flow-based Vision Inverse Kinematics Solver with Fusing Collision Checking [4.762593660623934]
Vision Inverse Kinematics solver (ViIK) は、逆キネマティクスと衝突チェックを融合することにより、様々な利用可能な構成を出力できる。
ViIKは40ミリ秒以内で1000個の構成を出力でき、精度は約3ミリ秒と1.5度である。
論文 参考訳(メタデータ) (2024-08-21T02:48:42Z) - Waypoint-Based Imitation Learning for Robotic Manipulation [56.4287610994102]
ウェイポイントラベリングは不特定であり、追加の人的監督が必要である。
模倣学習のためのAWE(Automatic Waypoint extract)を提案する。
AWEは、最先端のアルゴリズムの成功率を、シミュレーションで25%、実世界のバイマニュアル操作タスクで4-28%向上させることができる。
論文 参考訳(メタデータ) (2023-07-26T17:45:55Z) - TAPIR: Tracking Any Point with per-frame Initialization and temporal
Refinement [64.11385310305612]
本稿では,ビデオシーケンスを通して任意の物理面上の問合せ点を効果的に追跡する,TAP(Tracking Any Point)の新しいモデルを提案する。
提案手法では,(1)他のフレームの問合せ点に対する適切な候補点マッチングを独立に特定するマッチング段階と,(2)局所的相関に基づいてトラジェクトリと問合せの両方を更新する改良段階の2段階を用いる。
結果として得られたモデルは、DAVISにおける平均約20%の絶対平均ジャカード(AJ)改善によって示されるように、TAP-Vidベンチマークにおける大きなマージンで、すべてのベースライン手法を上回ります。
論文 参考訳(メタデータ) (2023-06-14T17:07:51Z) - Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。
PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。
広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
論文 参考訳(メタデータ) (2023-01-31T16:43:53Z)
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。