運動計画2026/8/5arXiv:2608.04612v1

GASP: GPU加速によるリアルタイム衝突回避運動生成のための安全プランナー

GASP: GPU-Accelerated Safe Planner for Real-Time Collision-Aware Motion Generation with Latent Trajectory Sampling

GPU上で並列処理する衝突回避型の関節空間運動生成プランナーを提案。Bスプラインとニューラルネットで軌道候補を生成し、CVAEで複数候補をサンプリングしてGPUで並列検証することで、ミリ秒単位の高速推論を実現した。

詳しい要約

1. どんなもの？

GASPは、既知環境におけるリアルタイムの衝突考慮型関節空間運動生成のためのGPUアクセラレーション安全プランナーである。クランプBスプライン軌道パラメータ化と、自由な内部制御点を予測する畳み込み残差ニューラルネットワークを組み合わせ、境界制御点を解析的に挿入して初期・最終微分制約を強制する。条件付き変分オートエンコーダが複数の軌道候補をサンプリングし、GPU上で並列にデコード・検証することで、バッチ処理されたプランナーとして近ミリ秒の推論を実現する。

2. 先行研究と比べてどこがすごい？

従来のGPUベースの軌道最適化と比較して、推論時間を大幅に削減しつつ、解析的な成功率と高い衝突回避実現性を達成している。また、強化学習のリセットプランナーとして展開した際、ベースラインのリターン率を維持しながら訓練中の衝突を約半分に削減しており、既存手法に対する優位性を示している。

3. 技術・手法の肝は？

手法の核心は、クランプBスプラインによる軌道表現と、畳み込み残差ネットワークによる内部制御点の予測、および解析的な境界制御点の挿入による微分制約の保証である。さらに、条件付き変分オートエンコーダを用いて複数の軌道候補を生成し、GPU上で並列にデコード・検証することで、バッチ処理による高速な衝突回避プランニングを実現している。

4. どうやって有効だと検証した？

オンライン運動生成モジュールとして検証し、解析的な成功率と高い衝突回避実現性を達成し、GPUベースの軌道最適化と比較して推論時間を大幅に削減した。さらに、競技ロボット卓球における強化学習のリセットプランナーとして展開し、ベースラインのリターン率を維持しながら訓練中の衝突を約半分に削減することを確認した。

5. 議論はある？

要旨からは、非定常条件下での衝突回避計画における限界や、提案手法の一般化可能性、計算資源の要求などに関する議論は不明である。また、既知環境に限定されているため、未知環境への適用可能性や、動的障害物への対応についての詳細は述べられていない。

6. 次に読むべき論文は？

要旨で参照されているGPUベースの軌道最適化手法や、強化学習のリセットプランナーに関する研究が関連する。また、条件付き変分オートエンコーダや畳み込み残差ネットワークを用いた運動生成の分野の定番論文が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Colin Merk, Stefanos Charalambous, Peter Dürr, Farshad Khadivar

分類: cs.RO

原文アブストラクト

We present GASP, a GPU-Accelerated Safe Planner for real-time, collision-aware joint-space motion generation in known environments. GASP combines a clamped B-spline trajectory parameterization with a convolutional residual neural network that predicts the free interior control points, while analytically inserted boundary control points enforce initial and final derivative constraints for collision-aware planning under non-stationary conditions. A conditional variational autoencoder samples multiple trajectory candidates, which are decoded and validated in parallel on the GPU, yielding a batched planner for collision-aware coupled joint-space motion with near-millisecond inference. We validate GASP as an online motion-generation module, where it achieves analytical-level success rates with high collision-aware feasibility and substantially reduces inference time relative to GPU-based trajectory optimization. We further deploy GASP as a reinforcement-learning reset planner in competitive robotic table tennis, matching the baseline return rate while roughly halving training-time collisions.

arXivで原文を読む →arXiv概要ページ

← 論文一覧