Contact-Rich Motion Planning via GPU-Parallel Mode Evaluation

📄 arXiv: 2609.21803v1 📥 PDF

作者: Jiayun Li, Georgia Chalvatzaki

分类: cs.RO

发布日期: 2026-09-18

💡 一句话要点

提出CoMET以解决接触丰富运动规划的计算挑战

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 接触丰富运动规划 GPU并行计算 轨迹优化 机器人操作 贪婪模式扩展

📋 核心要点

  1. 现有的接触丰富运动规划方法在处理组合接触决策时面临计算复杂性，导致效率低下。
  2. 本文提出的CoMET方法利用现代GPU硬件进行并行轨迹评估，结合贪婪的接触模式扩展，以提高计算效率。
  3. 实验结果表明，CoMET在平面推送任务中与多种基线方法相比，具有更短的规划时间和更高的解决方案质量。

📝 摘要（中文）

接触丰富运动规划（CRMP）对于机器人操作和运动至关重要，但由于组合接触决策的复杂性，计算上仍然具有挑战性。现有方法通常通过搜索启发式或优化重构来避免广泛评估接触模式序列。本文基于现代GPU硬件重新审视广泛评估，提出了接触模式扩展与并行轨迹优化（CoMET），该方法结合了GPU并行轨迹评估与贪婪接触模式扩展。在平面推送基准测试中，CoMET在解决方案质量和规划时间上与基于优化、采样和树搜索的基线方法具有竞争力，几乎在所有实例中以更少的评估和更短的规划时间匹配全枚举参考。消融实验表明，性能提升主要来自高吞吐量的轨迹评估器。在双手非抓取操作中，GPU友好的局部模式扩展在模式空间增大时实现了比测试的自适应树搜索更高的规划成功率。这些结果表明，广泛的显式模式评估为CRMP提供了一种简单而有效的替代方案。

🔬 方法详解

问题定义：本文旨在解决接触丰富运动规划中的计算复杂性问题，现有方法往往通过启发式搜索或优化重构来避免全面评估接触模式序列，导致效率低下。

核心思路：论文提出的CoMET方法通过结合GPU并行轨迹评估与贪婪接触模式扩展，重新审视了广泛评估的可能性，从而提高了运动规划的效率和质量。

技术框架：CoMET的整体架构包括两个主要模块：首先是GPU并行轨迹评估器，负责快速评估不同轨迹的可行性；其次是贪婪接触模式扩展模块，根据评估结果动态扩展接触模式。

关键创新：CoMET的核心创新在于利用现代GPU的高并行性来实现轨迹评估的高吞吐量，这与传统的基于优化或树搜索的方法在计算方式上有本质区别。

关键设计：在设计中，CoMET采用了高效的轨迹评估算法，并通过优化参数设置来提升评估速度，同时确保评估的准确性和可靠性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，CoMET在平面推送基准测试中与多种基线方法相比，能够以更少的评估次数和更短的规划时间实现与全枚举参考相匹配的解决方案质量。此外，在双手非抓取操作中，CoMET的局部模式扩展在模式空间增大时表现出更高的规划成功率。

🎯 应用场景

该研究的潜在应用领域包括机器人抓取、移动和复杂操作等场景，尤其适用于需要快速决策和高效规划的任务。随着机器人技术的进步，CoMET的高效性可能会在工业自动化、服务机器人和人机协作等领域产生深远影响。

📄 摘要（原文）

Contact-rich motion planning (CRMP) is essential for robotic manipulation and locomotion, yet remains computationally challenging due to combinatorial contact decisions. Existing methods typically avoid broad evaluation of contact-mode sequences through search heuristics or optimization reformulations. We revisit broad evaluation in light of modern GPU hardware and introduce Contact-Mode Expansion with parallel Trajectory optimization (CoMET), which combines GPU-parallel trajectory evaluation with greedy contact-mode expansion. On planar pushing benchmarks, CoMET is competitive with optimization-based, sampling, and tree-search baselines in solution quality and planning time, matching the full-enumeration reference on nearly all instances with fewer evaluations and shorter planning times. Ablations suggest that much of the performance gain comes from the high-throughput trajectory evaluator. In bimanual nonprehensile manipulation, GPU-friendly local mode expansion achieves higher planning success than the tested adaptive tree search as the mode space grows. These results demonstrate that broad explicit mode evaluation provides a simple yet effective alternative for CRMP.