日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
歩行arXiv:2610.07772

制約付きロコモーション計画のためのモデルベース幾何認識生成最適化

Model-Based Geometry-Aware Generative Optimization for Constrained Locomotion Planning

シェア:XThreadsFacebookLINEはてブBluesky

四足歩行やヒューマノイドの制約付き運動計画において、能動的制約の幾何情報をノイズ除去演算子に変換し、適応的な拡散・フロースケジュールを導入することで、離散的な足場選択と連続的な姿勢計画の成功率を向上させた。

詳しい要約

1. どんなもの？

- 四足歩行ロボットやヒューマノイドのための制約付き運動計画（CLP）を解く手法。 - 衝突回避、接触一貫性、運動学的実現可能性、支持制約を満たす必要がある。 - 高次元ダイナミクスと非凸環境下での計画が難しい問題に対処。 - Model-Based Diffusion (MBD) を拡張し、能動的制約幾何を活用する生成的最適化を提案。 - 名前は Model-Based Geometry-Aware Generative Optimization (2GO)。

2. 先行研究と比べてどこがすごい？

- 従来のMBDは軌道最適化を事後サンプリングとして再定式化し、デモンストレーション学習なしでスコア関数を推定。 - 制約付き変種は実現可能性をスコアロールアウトに組み込むが、以下の限界があった。 - タスク変調された能動的制約幾何がなく、スコア方向と逆拡散の確率性を形成できない。 - 決定論的DDPMスタイルの逆輸送を用い、適応的スケジューリングがない。 - 2GOはこれらを克服し、能動的制約幾何を実行可能なデノイジング演算子に変換。 - さらに生成輸送と逆拡散の確率性を分離し、適応的拡散・フロースケジュールを導入。

3. 技術・手法の肝は？

- 能動的制約幾何を実行可能なデノイジング演算子に変換する。 - 具体的には、normal-induced metric shaping、tangent-space stochastic filtering、CFS-based retraction を組み合わせる。 - 生成輸送と逆拡散の確率性を分離するため、適応的拡散とフローライクなスケジュールを導入。 - これにより、制約を考慮したスコア方向と逆拡散の確率性をタスクに応じて調整可能。

4. どうやって有効だと検証した？

- 制約付き四足歩行とヒューマノイドの運動計画実験で評価。 - 離散的な足場選択と連続的な姿勢計画の両方で性能を検証。 - 成功率の向上、違反の減少、実行互換性の改善を示す。 - 具体的なベースラインや指標の詳細は要旨からは不明。

5. 議論はある？

- 要旨からは、提案手法の限界や議論についての記述はない。 - 実験結果は良好だが、計算コストやスケーラビリティ、他の制約タイプへの一般化については不明。 - 今後の課題や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研究：Model-Based Diffusion (MBD)、制約付き変種、DDPMスタイルの逆輸送。 - 関連手法：CFS-based retraction、normal-induced metric shaping、tangent-space stochastic filtering。 - 同分野の定番：Trajectory Optimization、Model Predictive Control (MPC)、Diffusion Policy。

※ 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: Zhilin He, Xinyuan Wang, Changliu Liu

分類: cs.RO

原文アブストラクト

Constrained Locomotion Planning (CLP) for quadrupeds and humanoids, where robots must satisfy collision avoidance, contact consistency, kinematic feasibility, and support constraints, is challenging under high-dimensional dynamics and highly non-convex environments. Recent Model-Based Diffusion (MBD) approaches recast trajectory optimization as posterior sampling over trajectories, using known dynamics and Monte Carlo rollouts to analytically estimate the denoising score function without demonstration learning. While constrained variants further incorporate feasibility into model-based score rollouts and show promising performance, they are still limited by (1) lacking a task-modulated active constraint geometry that shapes the score direction and reverse stochasticity, and (2) using deterministic DDPM-style reverse transport without adaptive scheduling across different generative transports. Therefore, we introduce Model-Based Geometry-Aware Generative Optimization (2GO) for constrained locomotion, which turns active constraint geometry into executable denoising operators through normal- induced metric shaping, tangent-space stochastic filtering, and CFS-based retraction. 2GO further decouples generative transport from reverse stochasticity through an adaptive diffusion and flow-like schedule. Experiments on constrained quadruped and humanoid locomotion demonstrate strong performance in discrete foothold selection and continuous posture planning, with higher success rates, fewer violations, and improved execution compatibility.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI