動作計画2026/8/26arXiv:2608.25830v1

任意時点グローバルテンソル動作計画

Anytime Global Tensor Motion Planning

任意のローカルプランナーを使えるようにGTMPを一般化し、任意時点で解を改善できる2つのポリシーを提案した。

詳しい要約

1. どんなもの？

本論文は、Global Tensor Motion Planning (GTMP) を一般化し、隣接層間のエッジを任意のブラックボックスローカルプランナー（線形補間、スプライン、サンプリングベースプランニング、軌道最適化、生成的サンプリングなど）で実現する手法を提案する。さらに、この一般化に基づく2つの anytime ポリシー（固定予算でランダム再起動を行う Anytime GTMP と、予算を増やしながら informed expansion を行う AO-GTMP）を提供する。

2. 先行研究と比べてどこがすごい？

先行研究の GTMP は特定のローカルプランナーに依存していたが、本手法は任意のローカルプランナーを利用可能にすることで汎用性を高めている。また、 anytime アルゴリズムを導入し、固定予算でもほぼ確実に全てのホモトピー類をカバーし、予算増加で最適コストに収束することを理論的に保証している点が新しい。

3. 技術・手法の肝は？

手法の核は、層状マルチパートグラフ上でバッチテンソル演算を用いて motion planning を解く GTMP の一般化である。隣接層間のエッジを任意のローカルプランナーで実現し、2つの anytime ポリシーを提供する。理論的には、単一のサンプリンググラフが、有界長の δ-clear 代表を持つ全ての端点固定ホモトピー類をカバーすることを証明し、層ごとの追加サンプルが per-layer miss probability を指数関数的に減少させることを示す。

4. どうやって有効だと検証した？

操作ベンチマーク（manipulation benchmarks）で最先端の性能と同等の結果を示し、2D ナビゲーションではトポロジー的に多様な解のバッチを返すことを実証した。一方、informed baselines は1つか2つのクラスに集中することを示した。

5. 議論はある？

要旨からは、ローカルプランナーの強さが層数に与える影響（強いローカルプランナーは層数を準線形にしか減らさない）や、理論保証の実用性についての議論が示唆されるが、詳細な議論は要旨からは不明。

6. 次に読むべき論文は？

要旨で参照されている GTMP の元論文、および関連する anytime planning や sampling-based motion planning の研究（例：RRT*, PRM*）が挙げられる。具体的な論文名は要旨にないため、同分野の定番手法を一般名で示す。

※ 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: Sai Coumar, An T. Le, Zachary Kingston

分類: cs.RO

原文アブストラクト

Global Tensor Motion Planning (GTMP) solves motion planning with batched tensor operations over a layered multipartite graph. We generalize GTMP so that adjacent-layer edges are realized by any black-box local planner (e.g., linear interpolation, splines, sampling-based planning, trajectory optimization, or generative sampling). We provide two anytime policies on top of this generalization: Anytime GTMP with random restarts at a fixed budget, which covers every homotopy class almost surely, and AO-GTMP with informed expansion with growing budgets, which converges to the optimal cost. We prove that a single sampled graph covers every endpoint-fixed homotopy class admitting a \(δ\)-clear representative of bounded length. We also prove that additional samples per layer reduce the per-layer miss probability exponentially, whereas stronger local planners reduce the required layer count only sublinearly. On manipulation benchmarks the method matches state-of-the-art performance, and on 2D navigation it returns batches of topologically diverse solutions, while the informed baselines concentrate on one or two classes.

arXivで原文を読む →arXiv概要ページ