マニピュレーション2026/9/16arXiv:2609.18169

深層生成モデルによる高次元自己運動多様体の近似

Approximating High Dimensional Self-Motion Manifolds via Deep Generative Models

冗長マニピュレータの自己運動多様体を確率的に捉え、深層生成モデルでサンプリングすることで、従来の曲線仮定を超えて高次元（4次元）の多様体を近似する手法を提案した。

詳しい要約

1. どんなもの？

冗長マニピュレータの自己運動多様体（Self-motion manifold, SMM）を近似する手法。SMMは固定されたend-effector poseに対する無限の逆運動学解集合の幾何構造。既存手法はSMMを曲線と仮定し高冗長次数に拡張できない。本研究はSMMを条件付き事後分布のサポートと見なし、学習分布からのサンプリングとクラスタリングで復元する。1-D SMMで既存手法と同等性能、7Rマニピュレータの位置タスクで初めて4-D SMMを近似。

2. 先行研究と比べてどこがすごい？

既存のnull-space continuationやlearning-based手法はSMMを曲線と仮定し、高冗長次数に拡張できない。提案手法は確率的視点で定式化し、多様体次元に依存せず、冗長次数が増えてもアーキテクチャ変更不要。1-D SMMでは最新のnull-space continuationおよびlearning-based手法と同等性能を示し、さらに初めて4-D SMMを7Rマニピュレータの位置タスクで近似可能。

3. 技術・手法の肝は？

SMMを目標poseが与えられた下でのconfigurationの条件付き事後分布のサポートと解釈。復元は学習された分布からのサンプリングと、そのdisjoint componentsをclusteringで分離することに帰着。この定式化は多様体次元に依存せず、冗長次数が増えてもアーキテクチャ変更を要しない。

4. どうやって有効だと検証した？

1-D SMMにおいて、最新のnull-space continuationおよびlearning-based approachと比較して同等の性能を達成。さらに7R manipulatorのposition tasksにおいて、初めて高冗長な4-D SMMを近似できることを示した。

5. 議論はある？

要旨からは不明。

6. 次に読むべき論文は？

null-space continuation、learning-based approach（具体的な論文名は要旨に記載なし）。関連手法として、冗長マニピュレータの逆運動学やself-motion manifoldに関する研究、およびdeep generative modelsを用いた運動計画手法が挙げられる。

※ 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: Haitao Gao, Yang Song, Liao Wu

分類: cs.RO

原文アブストラクト

Self-motion manifold (SMM) characterizes the geometric structure of the infinite inverse kinematic solutions set of a redundant manipulator at a fixed end-effector pose, and its efficient recovery underpins feasible and global optimal motion planning. Existing methods such as null-space continuation and learning-based methods are formulated around the assumption that an SMM is a curve, and do not extend to higher redundancy orders. We instead adopt a probabilistic view: SMMs are the support of the conditional posterior over configurations given a target pose, so that recovering it reduces to sampling from a learned distribution and separating its disjoint components by clustering. The formulation is independent of the manifold dimension and requires no architectural change as the redundancy order grows. In this work, we demonstrate that our method can approximate 1-D SMMs with performance comparable to the latest null-space continuation and learning-based approach, and that it is the first method capable of approximating highly redundant 4-D SMMs in a 7R manipulator for position tasks. Project website: \href{https://github.com/accuracy-maker/high-dimenstional-self-motion-manifold-approximation}{https://github.com/accuracy-maker/high-dimenstional-self-motion-manifold-approximation}

arXivで原文を読む →arXiv概要ページ

深層生成モデルによる高次元自己運動多様体の近似

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文