PATACON: GPU-Parallel Tangent-Bundle RRT-Connect for Constrained Motion Planning

📄 arXiv: 2610.13195v1 📥 PDF

作者: Gahyun Oh, Junho An, Suhyun Jeon, Suhan Park

分类: cs.RO

发布日期: 2026-10-09

备注: 8 pages, 6 figures, 2 tables

💡 一句话要点

提出PATACON以解决高维约束运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 约束运动规划 GPU并行计算 切空间探索 类人机器人 高维问题 实时规划 运动学约束

📋 核心要点

  1. 现有的约束运动规划方法在处理高维和高约束问题时，计算成本高，效率低。
  2. PATACON通过GPU并行化和切空间探索，利用约束函数的局部流形几何，显著降低计算开销。
  3. 实验结果显示，PATACON在复杂任务中实现了高达11.25倍的速度提升，表现优于传统方法。

📝 摘要（中文）

快速的全身运动规划使得类人机器人能够在动态环境中进行连续的重新规划，同时满足碰撞避免和运动学约束。然而，约束运动规划由于重复的约束投影、碰撞检查和最近邻搜索而产生了巨大的计算成本。尽管最近提出了基于GPU的大规模并行规划器以降低计算成本，但这些规划器仍在环境配置空间中进行引导，导致偏离流形的候选投影仍然是一个显著的开销来源。本文提出了PATACON，一种GPU并行的双向规划器，通过探索切空间来利用已知约束函数引起的局部流形几何。实验结果表明，PATACON在双臂闭链和类人全身约束规划任务中表现优于先前工作，随着配置空间维度和约束余维的增加，速度提升可达11.25倍。这些结果表明，GPU并行切空间探索使得约束全身运动规划更接近实时性能。

🔬 方法详解

问题定义：本文旨在解决高维约束运动规划中的计算成本问题，现有方法在处理约束投影和碰撞检查时效率低下，导致整体性能受限。

核心思路：PATACON通过GPU并行化和切空间探索，利用已知约束函数的局部流形几何，减少了不必要的计算开销，从而提高了规划效率。

技术框架：该方法包括两个主要模块：首先是切空间的探索模块，利用GPU并行处理大量候选路径；其次是约束投影模块，确保生成的路径满足运动学约束。

关键创新：PATACON的核心创新在于其切空间探索策略，区别于传统方法在环境配置空间中的引导，使得规划过程更高效，特别是在高维和高约束场景中。

关键设计：在实现中，采用了高效的GPU计算架构，优化了约束投影算法，并设计了适应性参数设置，以确保在不同任务中的灵活性和高效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PATACON在双臂闭链和类人全身约束规划任务中，相较于传统方法实现了高达11.25倍的速度提升，尤其在配置空间维度和约束余维增加时，表现出显著的优势。

🎯 应用场景

该研究的潜在应用领域包括类人机器人、自动化制造、救援机器人等需要实时运动规划的场景。通过提高运动规划的效率，PATACON能够在动态环境中实现更复杂的任务，推动机器人技术的实际应用和发展。

📄 摘要（原文）

Fast whole-body motion planning enables continuous replanning for humanoid robots in dynamic environments while satisfying collision avoidance and kinematic constraints. However, constrained motion planning incurs substantial computational cost due to repeated constraint projection in addition to collision checking and nearest-neighbor search. Recently, GPU-based massively parallel planners have been proposed to reduce computational cost. Nevertheless, these planners still steer in the ambient configuration space, so projecting candidates that deviate from the manifold remains a significant source of overhead, particularly in highly constrained, high-dimensional problems. In this work, we introduce PATACON, a GPU-parallel bidirectional planner that explores tangent space to exploit the local manifold geometry induced by known constraint functions. Experiments on dual-arm closed-chain and humanoid whole-body constrained planning tasks show that PATACON outperforms the prior work as configuration-space dimension and constraint codimension grow, achieving up to an 11.25 times speedup. These results suggest that GPU-parallel tangent-space exploration brings constrained whole-body motion planning closer to real-time performance.