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
マニピュレーションarXiv:2610.22762

形状認識型ニューラル時間場による剛体運動と操作計画

Shape-Aware Neural Time Fields for Rigid-Body Motion and Manipulation Planning

シェア:XThreadsFacebookLINEはてブBluesky

物体の並進・回転の制約を考慮した学習ベースの到達時間場を構築し、サンプリング計画と組み合わせて剛体運動計画や押し操作を高速かつ高成功率で実現した研究。

詳しい要約

1. どんなもの？

- 剛体の位置と姿勢の両方を扱う rigid-body motion planning のための枠組み - 名称は Shape-Aware Neural Time Fields - physics-informed neural motion planning framework と位置づけられる - 学習するのは travel-time（cost-to-go）表現 - 剛体運動に対して再利用可能な形で学習 - 並進と回転に異なる幾何制約があることを明示的に考慮 - 学習した場を sampling-based planner と組み合わせる - ゴールへの進展と近傍 pose 到達コストのバランスを取る - 対象タスクは 2D/3D の rigid-body planning と object pushing による non-prehensile manipulation

2. 先行研究と比べてどこがすごい？

- 比較対象は physics-informed neural planning baselines - planning success と inference efficiency で大幅改善と報告 - 古典的 sampling-based planners とも比較 - 同等程度の競争力を持ちつつ、planning time は大幅に短いと主張 - 先行研究との具体的な差分の詳細は要旨からは不明 - ただし並進と回転の幾何制約の違いを明示的に扱う点を特徴として挙げている - ablation studies で学習表現と planning strategy の両方の寄与を検証したと述べる

3. 技術・手法の肝は？

- Shape-Aware Neural Time Fields と呼ぶ学習ベースの travel-time 表現 - 剛体の translation と rotation の局所的な運動困難度を捉える - 形状を考慮し、並進・回転への異なる幾何制約を反映 - physics-informed な neural motion planning framework として構成 - sampling-based planner と組み合わせる planning strategy - ゴール方向への進展と近傍 pose への到達コストをバランス - 学習した cost-to-go を planner 内で利用し、高速な計画と再計画を狙う - 具体的なネットワーク構造や学習損失の詳細は要旨からは不明

4. どうやって有効だと検証した？

- 2D および 3D の rigid-body planning タスクで評価 - 多様な環境での object pushing による non-prehensile manipulation で評価 - 指標は planning success と inference efficiency - physics-informed neural planning baselines に対して大幅改善 - 古典的 sampling-based planners とは競争力があり、planning time は大幅に短い - ablation studies を実施 - 学習表現と提案 planning strategy の寄与を検証 - closed-loop pushing 実験を実施 - execution deviations と external disturbances 下で評価 - 高速 replanning により reactive かつ adaptive な実行が可能と報告

5. 議論はある？

- 高速 replanning が外乱や実行偏差への適応に有効であることを示唆 - 学習表現と planning strategy の両方が性能に寄与すると ablation で主張 - 限界や失敗事例、計算資源、汎化範囲の議論は要旨からは不明 - 古典的 planner との比較は competitive かつ低 planning time と述べるにとどまり、詳細な条件は要旨からは不明 - 実機実験の有無やスケールに関する議論は要旨からは不明

6. 次に読むべき論文は？

- 要旨で直接参照されている個別論文名は不明 - 関連手法として physics-informed neural planning baselines との比較が示唆される - 古典的 sampling-based planners（例: RRT 系）との比較が行われている - 次に読む候補として、neural time field 系の motion planning 研究、cost-to-go 学習を用いた planning 研究、object pushing を含む non-prehensile manipulation planning 研究が考えられる - 具体的な論文名は要旨からは不明

※ 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: Yanming Zhou, Yuchen Liu, Ahmed H. Qureshi

分類: cs.RO, cs.LG

原文アブストラクト

Rigid-body motion planning is fundamental to robotic transport and manipulation, where both object position and orientation determine whether a body can move through cluttered environments. This coupling makes planning chal- lenging because translation and rotation can be constrained very differently by surrounding geometry. We propose Shape- Aware Neural Time Fields, a physics-informed neural motion planning framework that learns a reusable travel-time, or cost- to-go, representation for rigid-body motion while explicitly accounting for these distinct geometric restrictions. The learned field captures local motion difficulty in translation and rotation and is paired with a sampling-based planner that balances progress toward the goal with the cost of reaching nearby poses. We evaluate the framework across 2D and 3D rigid- body planning tasks and non-prehensile manipulation through object pushing in diverse environments. Results show substantial improvements in planning success and inference efficiency over physics-informed neural planning baselines, while remaining competitive with classical sampling-based planners at significantly lower planning times. Ablation studies further validate the contributions of both the learned representation and the proposed planning strategy. Finally, closed-loop pushing experiments under execution deviations and external disturbances demonstrate that fast replanning enables reactive and adaptive task execution.

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