論文の概要: PoliMop: Policy-in-the-Loop Motion Planning in 3D Spaces for Mobile Robots
- arxiv url: http://arxiv.org/abs/2611.18110v1
- Date: Fri, 13 Nov 2026 12:35:13 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:29:17.432491
- Title: PoliMop: Policy-in-the-Loop Motion Planning in 3D Spaces for Mobile Robots
- Title(参考訳): PoliMop:移動ロボットの3次元空間におけるポリシー・イン・ザ・ループ運動計画
- Abstract要約: 物理シミュレーションを用いて制御ポリシに符号化されたスキルを活用するキノダイナミック高速探索ランダムツリー(RRT)プランナを提案する。
プランナーは、シーン周囲の3D状態空間からステートをサンプリングし、ポリシーロールアウトを使用してRRTを各サンプルに向けて拡張する。
提案手法は, 各種ロボットのドロップイン統合と制御ポリシをサポートし, 基礎となる計画アルゴリズムを変更することなく, それらの物理・ポリシー機能を活用できることを実証する。
- 参考スコア(独自算出の注目度): 18.32643213361956
- License:
- Abstract: Reaching a goal state in a complex environment often requires a robot to overcome challenging terrain and obstacles. Which routes are accessible depends on the robot's physical design, the control policy it uses, and how it modifies its surroundings. We present a kinodynamic rapidly-exploring random tree (RRT) planner that uses physics simulation to exploit skills encoded in the control policy, which allows it to find a path in the scene with respect to the robot's capabilities. The planner samples states from a reduced state space in 3D around the scene and expands the RRT toward each sample using policy rollouts. We guide sampling with a preplanned path for a simple mass-point model to focus exploration on promising regions leading toward the goal state, reducing planning time by up to 63%. Simulation experiments with quadrupeds, humanoids, and wheeled robots demonstrate that our approach supports drop-in integration of various robots and control policies, exploiting their physical and policy capabilities without modifying the underlying planning algorithm. Predefined environmental modifications, such as placing a plank across a gap to build a bridge, will automatically be picked up by the planner as the robot's reachable space expands.
- Abstract(参考訳): 複雑な環境でゴール状態を取得するには、困難な地形や障害物を克服するロボットが必要であることが多い。
どのルートがアクセス可能かは、ロボットの物理的デザイン、使用するコントロールポリシー、そしてその周囲をどのように変更するかに依存します。
制御ポリシに符号化されたスキルを活用するために物理シミュレーションを用いたキノダイナミック高速探索ランダムツリー(RRT)プランナを提案する。
プランナーは、シーン周囲の3D状態空間からステートをサンプリングし、ポリシーロールアウトを使用してRRTを各サンプルに向けて拡張する。
簡単な質量点モデルのための事前に計画された経路を用いてサンプリングをガイドし、目標状態に向かう将来性のある領域を探索し、計画時間を最大63%短縮する。
四足歩行ロボット,ヒューマノイド,車輪付きロボットによるシミュレーション実験により,本手法が各種ロボットのドロップイン統合と制御ポリシをサポートし,基礎となる計画アルゴリズムを変更することなく,その物理的および政策的能力を活用できることが実証された。
橋を架けるために板を設置するなど、事前に定義された環境変化は、ロボットの到達可能な空間が拡大するにつれて、自動的にプランナーによって拾われる。
関連論文リスト
- Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳(メタデータ) (2026-05-26T21:17:53Z) - CHORAL: Traversal-Aware Planning for Safe and Efficient Heterogeneous Multi-Robot Routing [4.3992789649203194]
自律ロボットによる大規模で未知の複雑な環境のモニタリングは、重要なナビゲーション課題を引き起こす。
異種ロボットの協調のための統合意味認識フレームワークを提案する。
シミュレーション実験と3つのロボットプラットフォームを用いた実際の検査ミッションにより,本手法の有効性が実証された。
論文 参考訳(メタデータ) (2026-01-15T12:34:22Z) - Scalable Multi-Robot Informative Path Planning for Target Mapping via Deep Reinforcement Learning [11.134855513221359]
マルチロボットインフォーマティブパス計画問題に対する深層強化学習手法を提案する。
ここでは、各ロボットが発見した目標を最大化し、未知の静的障害物を回避し、ロボット同士の衝突を防ぐ。
提案手法は、発見対象数において、最先端のアプローチを少なくとも26.2%上回っている。
論文 参考訳(メタデータ) (2024-09-25T14:27:37Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳(メタデータ) (2024-05-02T17:56:55Z) - RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳(メタデータ) (2024-02-22T15:12:00Z) - Learning Vision-based Pursuit-Evasion Robot Policies [54.52536214251999]
我々は、部分的に観察可能なロボットの監督を生成する完全観測可能なロボットポリシーを開発する。
我々は、RGB-Dカメラを搭載した4足歩行ロボットに、野生での追従回避のインタラクションにポリシーを展開させる。
論文 参考訳(メタデータ) (2023-08-30T17:59:05Z) - POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of
a Two-wheeled Robot in Highly Cluttered Environments [53.41594627336511]
パッシブル障害物認識(Passable Obstacles Aware, POA)プランナーは, 乱雑な環境下での二輪ロボットのナビゲーション手法である。
我々のアルゴリズムは、二輪ロボットが通過可能な障害物を通り抜ける道を見つけることを可能にする。
論文 参考訳(メタデータ) (2023-07-16T19:44:27Z) - Robot Navigation Anticipative Strategies in Deep Reinforcement Motion
Planning [8.061353473787198]
ダイナミックな都市環境におけるロボットのナビゲーションには、ダイナミックな物体との衝突を避けるために、ロボットの詳細な予測戦略が必要である。
我々は,最大18km/h移動可能な移動物体の将来の動きを考慮した運動計画の3つの予測戦略を開発し,分析した。
シミュレーションと実生活実験の結果は、オープン環境や狭い空間との混合シナリオにおいて非常に良い結果を示す。
論文 参考訳(メタデータ) (2022-10-15T13:04:24Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳(メタデータ) (2021-08-03T02:56:21Z)
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。