고차원 시스템의 운동 제약 조건 하에서 반응적이고 적응적인 동작을 달성하는 데 필수적인 실시간 운동 생성 문제를 해결하기 위해, 두 단계 접근 방식을 제시합니다. 먼저, 작업 관련 제약 조건을 만족하는 저차원 궤적 다양체를 오프라인으로 학습하고, 그 다음 이 다양체 내에서 빠른 온라인 검색을 수행합니다. 기존의 이산 시간 운동 다양체 기본 요소(MMP) 프레임워크를 확장하여, 제약 조건 만족을 보장하는 전략을 사용하여 오프라인으로 수집된 궤적 최적화 데이터를 통해 학습된 새로운 신경망 구조인 미분 가능 운동 다양체 기본 요소(DMMP)를 제안합니다. 7자유도 로봇 팔을 사용한 동적 투척 실험을 통해 DMMP가 기존 방법보다 계획 속도, 작업 성공률 및 제약 조건 만족도 면에서 우수함을 보여줍니다.
