高次元システムの運動制約の下で反応的かつ適応的な挙動を達成するために不可欠なリアルタイム運動生成問題を解決するために,二段階のアプローチを提示した。まず、作業関連の制約を満たす低次元軌跡多様体をオフラインで学習し、次にこの多様体内で迅速なオンライン検索を実行します。既存の離散時間運動多様体基本要素(MMP)フレームワークを拡張し、制約を満たすための戦略を使用してオフラインで収集された軌道最適化データを通じて学習された新しいニューラルネットワーク構造である微分可能運動多様体基本要素(DMMP)を提案します。 7自由度ロボットアームを使用した動的投影実験は、DMMPが従来の方法よりも計画速度、作業成功率、および制約満足度の面で優れていることを示しています。