論文の概要: Orientation-Aware Planning for Parallel Task Execution of
Omni-Directional Mobile Robot
- arxiv url: http://arxiv.org/abs/2108.00716v1
- Date: Mon, 2 Aug 2021 08:37:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-03 23:07:48.593256
- Title: Orientation-Aware Planning for Parallel Task Execution of
Omni-Directional Mobile Robot
- Title(参考訳): 全方向移動ロボットの並列タスク実行のための方向認識計画
- Authors: Cheng Gong and Zirui Li and Xingyu Zhou and Jiachen Li and Jianwei
Gong and Junhui Zhou
- Abstract要約: オムニ指向型移動ロボット(Omni-directional mobile robot, OMR)システムは、学界や業界で非常に人気がある。
しかし、OMRの余分な自由度によって、ロボットが余分なタスクを実行できる可能性があるため、そのポテンシャルは十分に活用されていない。
本稿では,OMRシステムの配向遷移と位置遷移を統一的かつ効率的な方法で実行するための配向対応計画アーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 12.584590446236678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Omni-directional mobile robot (OMR) systems have been very popular in
academia and industry for their superb maneuverability and flexibility. Yet
their potential has not been fully exploited, where the extra degree of freedom
in OMR can potentially enable the robot to carry out extra tasks. For instance,
gimbals or sensors on robots may suffer from a limited field of view or be
constrained by the inherent mechanical design, which will require the chassis
to be orientation-aware and respond in time. To solve this problem and further
develop the OMR systems, in this paper, we categorize the tasks related to OMR
chassis into orientation transition tasks and position transition tasks, where
the two tasks can be carried out at the same time. By integrating the parallel
task goals in a single planning problem, we proposed an orientation-aware
planning architecture for OMR systems to execute the orientation transition and
position transition in a unified and efficient way. A modified trajectory
optimization method called orientation-aware timed-elastic-band (OATEB) is
introduced to generate the trajectory that satisfies the requirements of both
tasks. Experiments in both 2D simulated environments and real scenes are
carried out. A four-wheeled OMR is deployed to conduct the real scene
experiment and the results demonstrate that the proposed method is capable of
simultaneously executing parallel tasks and is applicable to real-life
scenarios.
- Abstract(参考訳): オムニ指向型移動ロボット(Omni-directional mobile robot, OMR)システムは、学界や業界で非常に人気がある。
しかし、OMRの余分な自由度によって、ロボットが余分なタスクを実行できる可能性があるため、そのポテンシャルは十分に活用されていない。
例えば、ロボット上のジンバルやセンサーは視野が限られているり、固有の機械設計によって制約を受けることがある。
そこで本研究では, omr シャシーに関連するタスクを方向遷移タスクと位置遷移タスクに分類し, 2つのタスクを同時に実行可能にする。
並列タスクの目標を単一計画問題に組み込むことにより,OMRシステムのための配向遷移と位置遷移を統一的かつ効率的な方法で実行するための配向対応計画アーキテクチャを提案する。
両タスクの要求を満たす軌道を生成するために,向き認識型時間-弾性バンド (OATEB) と呼ばれる改良された軌道最適化手法が導入された。
2次元シミュレーション環境と実シーンの両方で実験を行う。
実シーン実験を行うために4輪のomrを配置し,提案手法が並列タスクを同時に実行でき,実生活シナリオに適用可能であることを示す。
関連論文リスト
- Unified Task and Motion Planning using Object-centric Abstractions of
Motion Constraints [56.283944756315066]
本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。
我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
論文 参考訳(メタデータ) (2023-12-29T14:00:20Z) - Mission-driven Exploration for Accelerated Deep Reinforcement Learning
with Temporal Logic Task Specifications [11.812602599752294]
未知の構造を持つ環境で動作している未知のダイナミクスを持つロボットについて考察する。
我々の目標は、オートマトン符号化されたタスクを満足する確率を最大化する制御ポリシーを合成することである。
そこで本研究では,制御ポリシーを類似手法と比較して顕著に高速に学習できるDRLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-11-28T18:59:58Z) - Generalizable Long-Horizon Manipulations with Large Language Models [91.740084601715]
本研究は,Large Language Models (LLMs) の機能を活用して,汎用可能な長距離操作のための原始的なタスク条件を生成するフレームワークを導入する。
我々は,Pybulletに基づくロボット操作タスクスイートを作成し,長期作業評価を行う。
論文 参考訳(メタデータ) (2023-10-03T17:59:46Z) - Bi-Manual Block Assembly via Sim-to-Real Reinforcement Learning [24.223788665601678]
2つのxArm6ロボットがU字型組立タスクを、シミュレーションで90%以上、実際のハードウェアで50%の確率で解決する。
以上の結果から,本システムは今後,深部RLおよびSim2Real転送バイマニュアルポリアの研究を刺激していきたいと願っている。
論文 参考訳(メタデータ) (2023-03-27T01:25:24Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳(メタデータ) (2021-11-15T18:50:04Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳(メタデータ) (2021-08-03T02:56:21Z) - Simultaneous Navigation and Construction Benchmarking Environments [73.0706832393065]
モバイル構築のためのインテリジェントなロボット、環境をナビゲートし、幾何学的設計に従ってその構造を変更するプロセスが必要です。
このタスクでは、ロボットのビジョンと学習の大きな課題は、GPSなしでデザインを正確に達成する方法です。
我々は,手工芸政策の性能を,基礎的なローカライゼーションと計画,最先端の深層強化学習手法を用いて評価した。
論文 参考訳(メタデータ) (2021-03-31T00:05:54Z) - Meta-Reinforcement Learning for Adaptive Motor Control in Changing Robot
Dynamics and Environments [3.5309638744466167]
この研究は、ロバストな移動のための異なる条件に制御ポリシーを適応させるメタラーニングアプローチを開発した。
提案手法は, インタラクションモデルを更新し, 推定された状態-作用軌道のアクションをサンプル化し, 最適なアクションを適用し, 報酬を最大化する。
論文 参考訳(メタデータ) (2021-01-19T12:57:12Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳(メタデータ) (2020-08-18T08:05:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。