将张量列车与凸集图相结合：C 空间中的有效压缩、探索与规划
机器人学
2026-03-13 v1
摘要
我们提出TANGO（Tensor ANd Graph Optimization），一种新颖的运动规划框架，将张量压缩与结构化图优化相结合，以实现高效且可扩展的轨迹生成。虽然基于优化的规划器，如凸集图（GCS），提供了生成平滑、最优轨迹的强大工具，但它们通常依赖于对高维配置空间的预定义凸特征描述——这一要求在一般机器人任务中往往难以实现。TANGO进一步利用张量分解对可行配置空间进行压缩近似，以实现快速发现和估计任务相关区域。这些区域随后被嵌入GCS类结构中，以实现兼顾系统约束和环境复杂度的几何感知运动规划。通过将张量压缩与结构化图推理相耦合，TANGO实现了高效的几何感知运动规划，为未来机器人系统的更具表达性和可扩展的配置空间表示奠定了基础。严格的仿真研究在平面和实际机器人上验证了有效压缩和更高质量轨迹的主张。
引用
@article{arxiv.2603.11658,
title = {Coupling Tensor Trains with Graph of Convex Sets: Effective Compression, Exploration, and Planning in the C-Space},
author = {Gerhard Reinerth and Riddhiman Laha and Marcello Romano},
journal= {arXiv preprint arXiv:2603.11658},
year = {2026}
}
备注
8 pages, 10 figures, accepted paper for ICRA2026