ロボット構成空間における異種制約のための実行可能性距離場

- ロボットマニピュレータの制約監視を統一する**feasibility distance field (FDF)**を定義した研究。 - FDFは、固定された正定値なjoint-space metricの下で、**infeasible configuration setsの和集合**までの距離として定義される。 - 異なる単位・勾配スケールを持つ制約指標を、共通のconfiguration-space marginとして扱えるようにする。 - 古典的なdistance-to-set理論により、1-Lipschitz連続性、almost-everywhere微分可能性、unit dual-gradient normが得られる。 - ロボティクスへの貢献として、実用的な制約が空でない閉集合を定義するための**admissibility analysis**を示す。

- 従来の制約別指標は単位や勾配スケールが比較不能で、違反までの残り動作量を共通尺度で表せなかった。 - FDFは単一のmetricで全制約を表現し、**pointwise minimum**で異種制約を合成できる点が新しい。 - 条件付き制約でも固定されたdistance spaceを保持し、multi-robot制約ではblock-sparse gradientsにより反応すべきロボットを特定できる。 - 従来の個別制約監視に対し、configuration-space全体での統一的なfeasibility marginを提供する。

- 固定された正定値joint-space metricの下で、infeasible configuration setsの和集合への距離をFDFとして定義。 - 古典的distance-to-set理論に基づき、1-Lipschitz性、almost-everywhere微分可能性、unit dual-gradient normを導出。 - 外部衝突・自己衝突・関節限界・dexterity・Cartesian/task-projected compliance・payload下のjoint torque・dynamic manipulabilityについて、admissible formulationsを導出。 - 全fieldが同一metricを使うため、pointwise minimumで合成可能。 - projection-based labelsを生成し、distance lossとEikonal penaltyでneural approximationを学習。

- UR5eとdual-arm cellのシミュレーションで7つのfieldを評価。 - value, projection, sign, gradient, composition, moving-obstacle diagnosticsを使用。 - 8,000 configurationsで、最大feasible-side secant ratioは0.920、学習済み勾配ノルム平均は0.994〜0.998、projection residualsは0.011〜0.034 rad。 - 24のランダム障害物経路で、外部衝突fieldと合成衝突fieldは3 cm以内でそれぞれ90.4%、91.6%の成功率、sign-error rateは2%未満。 - 結果は共通のconfiguration-space marginを支持し、medial axes付近や疎サンプリング境界での近似誤差を特定。

- 異種制約を共通metricで扱えるため、configuration-space marginとして有用。 - 近似誤差はmedial axes付近とsparsely sampled boundariesで生じる。 - 要旨からは、計算コストやリアルタイム性、実機実験の有無についての議論は不明。 - admissibility analysisの適用範囲や、metric選択の影響についての詳細は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として、distance-to-set theory、Eikonal equation、neural implicit representations、control barrier functions、configuration-space distance fieldsが挙げられる。 - 同分野の定番として、collision distance fieldsやsigned distance functions (SDF)に関する研究を次に読むべき。