Coupling Tensor Trains with Graph of Convex Sets: Effective Compression, Exploration, and Planning in the C-Space

📄 arXiv: 2603.11658v1 📥 PDF

作者: Gerhard Reinerth, Riddhiman Laha, Marcello Romano

分类: cs.RO

发布日期: 2026-03-12

备注: 8 pages, 10 figures, accepted paper for ICRA2026

💡 一句话要点

提出TANGO，结合张量网络与凸集图优化，实现高效构型空间压缩、探索与规划。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 张量链分解 凸集图 构型空间 机器人

📋 核心要点

  1. 现有运动规划方法难以处理高维构型空间，预定义的凸表征要求限制了其在复杂机器人任务中的应用。
  2. TANGO利用张量链分解压缩构型空间，快速发现任务相关区域，并将其嵌入凸集图结构中。
  3. 仿真实验表明，TANGO能有效压缩构型空间，生成更高质量的轨迹，适用于平面和真实机器人。

📝 摘要（中文）

本文提出了一种名为TANGO（Tensor ANd Graph Optimization）的新型运动规划框架，该框架集成了基于张量的压缩技术与结构化图优化，从而实现高效且可扩展的轨迹生成。尽管诸如凸集图（GCS）等基于优化的规划器为生成平滑、最优轨迹提供了强大的工具，但它们通常依赖于对高维构型空间的预定义凸表征——对于一般的机器人任务而言，这一要求通常难以满足。TANGO通过使用张量链分解以压缩形式逼近可行的构型空间，从而能够快速发现和估计与任务相关的区域。然后，这些区域被嵌入到类似GCS的结构中，从而实现既尊重系统约束又考虑环境复杂性的几何感知运动规划。通过将基于张量的压缩与结构化图推理相结合，TANGO实现了高效的几何感知运动规划，并为未来机器人系统中更具表现力和可扩展性的构型空间表示奠定了基础。在平面和真实机器人上的严格仿真研究强化了我们关于有效压缩和更高质量轨迹的主张。

🔬 方法详解

问题定义：传统的基于优化的运动规划方法，如凸集图（GCS），在高维构型空间中面临挑战。预先定义构型空间的凸表征通常是难以实现的，限制了这些方法在复杂机器人任务中的应用。因此，需要一种能够有效处理高维构型空间，并能快速发现任务相关区域的运动规划方法。

核心思路：TANGO的核心思路是将张量链（Tensor Train）分解与凸集图（GCS）优化相结合。张量链分解用于压缩高维构型空间，从而能够快速估计和发现任务相关的可行区域。然后，将这些区域嵌入到类似GCS的结构中，利用图优化方法生成满足系统约束和环境复杂性的运动轨迹。

技术框架：TANGO的整体框架包含以下几个主要阶段：1) 使用张量链分解对可行构型空间进行压缩表示；2) 基于压缩表示，快速发现和估计任务相关的区域；3) 将这些区域嵌入到类似GCS的结构中，构建运动规划图；4) 在该图上进行优化，生成满足约束条件的运动轨迹。

关键创新：TANGO的关键创新在于将张量链分解引入到运动规划中，用于压缩高维构型空间。与传统的基于采样的或基于优化的方法相比，TANGO能够更有效地表示和探索构型空间，从而提高运动规划的效率和质量。此外，TANGO将压缩后的构型空间嵌入到GCS结构中，实现了几何感知的运动规划。

关键设计：TANGO的关键设计包括：1) 选择合适的张量链分解方法，以保证压缩效率和精度；2) 设计有效的算法，从压缩后的构型空间中快速发现任务相关的区域；3) 构建合适的GCS结构，以保证运动轨迹的平滑性和最优性。具体的参数设置和损失函数等细节可能需要根据具体的机器人任务和环境进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过在平面机器人和真实机器人上的仿真实验验证了TANGO的有效性。实验结果表明，TANGO能够有效地压缩构型空间，并生成比传统方法更高质量的运动轨迹。具体的性能数据和对比基线在论文中进行了详细的展示，证明了TANGO在运动规划方面的优势。

🎯 应用场景

TANGO在机器人运动规划领域具有广泛的应用前景，尤其适用于高维构型空间和复杂环境下的任务。例如，它可以应用于无人机的路径规划、机械臂的装配操作、以及自动驾驶车辆的导航等。通过高效地压缩和探索构型空间，TANGO能够提高运动规划的效率和质量，从而提升机器人系统的自主性和适应性。未来，TANGO有望成为机器人智能的重要组成部分。

📄 摘要（原文）

We present TANGO (Tensor ANd Graph Optimization), a novel motion planning framework that integrates tensor-based compression with structured graph optimization to enable efficient and scalable trajectory generation. While optimization-based planners such as the Graph of Convex Sets (GCS) offer powerful tools for generating smooth, optimal trajectories, they typically rely on a predefined convex characterization of the high-dimensional configuration space-a requirement that is often intractable for general robotic tasks. TANGO builds further by using Tensor Train decomposition to approximate the feasible configuration space in a compressed form, enabling rapid discovery and estimation of task-relevant regions. These regions are then embedded into a GCS-like structure, allowing for geometry-aware motion planning that respects both system constraints and environmental complexity. By coupling tensor-based compression with structured graph reasoning, TANGO enables efficient, geometry-aware motion planning and lays the groundwork for more expressive and scalable representations of configuration space in future robotic systems. Rigorous simulation studies on planar and real robots reinforce our claims of effective compression and higher quality trajectories.