論文の概要: Accelerating Integrated Task and Motion Planning with Neural Feasibility Checking

• arxiv url: http://arxiv.org/abs/2203.10568v1
• Date: Sun, 20 Mar 2022 14:41:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 14:59:25.869722
• Title: Accelerating Integrated Task and Motion Planning with Neural Feasibility Checking
• Title（参考訳）: ニューラルフェーシビリティチェックによる統合タスクと運動計画の高速化
• Authors: Lei Xu, Tianyu Ren, Georgia Chalvatzaki, Jan Peters
• Abstract要約: 本稿では、タスク・アンド・モーション・プランニング(TAMP)における提案された行動の有効性を分類するために、ニューラルネットワーク(NFC)を導入する。 NFCは、コストのかかるモーションプランニングを必要とせずに、タスクプランナーの不可能な動作を特定する。 我々のNFCはロボットの作業空間全体に一般化し、複数の障害物のあるシーンでも高い精度で予測できる。
• 参考スコア（独自算出の注目度）: 37.3893234820499
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As robots play an increasingly important role in the industrial, the expectations about their applications for everyday living tasks are getting higher. Robots need to perform long-horizon tasks that consist of several sub-tasks that need to be accomplished. Task and Motion Planning (TAMP) provides a hierarchical framework to handle the sequential nature of manipulation tasks by interleaving a symbolic task planner that generates a possible action sequence, with a motion planner that checks the kinematic feasibility in the geometric world, generating robot trajectories if several constraints are satisfied, e.g., a collision-free trajectory from one state to another. Hence, the reasoning about the task plan's geometric grounding is taken over by the motion planner. However, motion planning is computationally intense and is usability as feasibility checker casts TAMP methods inapplicable to real-world scenarios. In this paper, we introduce neural feasibility classifier (NFC), a simple yet effective visual heuristic for classifying the feasibility of proposed actions in TAMP. Namely, NFC will identify infeasible actions of the task planner without the need for costly motion planning, hence reducing planning time in multi-step manipulation tasks. NFC encodes the image of the robot's workspace into a feature map thanks to convolutional neural network (CNN). We train NFC using simulated data from TAMP problems and label the instances based on IK feasibility checking. Our empirical results in different simulated manipulation tasks show that our NFC generalizes to the entire robot workspace and has high prediction accuracy even in scenes with multiple obstructions. When combined with state-of-the-art integrated TAMP, our NFC enhances its performance while reducing its planning time.
• Abstract（参考訳）: ロボットは産業においてますます重要な役割を担っているため、日々の生活タスクへの彼らの応用に対する期待は高まっている。 ロボットは、達成すべきいくつかのサブタスクからなる長い水平タスクを実行する必要がある。 タスク・アンド・モーション・プランニング(tamp)は、可能なアクション・シーケンスを生成するシンボリック・タスク・プランナーと、幾何学的世界のキネマティックな実現可能性をチェックするモーション・プランナーをインターリーブすることで、操作タスクのシーケンシャルな性質を処理する階層的フレームワークを提供する。 したがって、タスクプランの幾何学的接地に関する推論は、モーションプランナーによって引き継がれる。 しかし、動作計画は計算的に強烈であり、現実のシナリオには適用できないTAMPメソッドをキャストするため、使用性が高い。 本稿では,提案する動作の実現可能性分類のための単純かつ効果的な視覚ヒューリスティックであるneural feasibility classifier (nfc)を提案する。 すなわち、NFCはコストのかかるモーションプランニングを必要とせず、タスクプランナが実行不可能なアクションを特定することで、マルチステップ操作タスクの計画時間を短縮する。 NFCは、畳み込みニューラルネットワーク(CNN)のおかげで、ロボットのワークスペースの画像を特徴マップにエンコードする。 我々は、TAMP問題のシミュレーションデータを用いてNFCをトレーニングし、IKの実現可能性チェックに基づいてインスタンスをラベル付けする。 シミュレーション操作タスクの違いによる実験結果から,NFCはロボットの作業空間全体に一般化し,複数の障害物のあるシーンにおいても高い予測精度を有することがわかった。 最先端の統合TAMPと組み合わせることで、NFCは計画時間を短縮しながら性能を向上させる。

関連論文リスト

• COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
  COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。 提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。 実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-23T15:53:41Z)
• Grounding Language Models in Autonomous Loco-manipulation Tasks [3.8363685417355557]
  異なるシナリオにおけるタスクに基づいて行動を学び、選択し、計画する新しいフレームワークを提案する。 我々は,大規模言語モデル(LLM)の計画と推論機能を活用し,階層的なタスクグラフを構築する。 CENTAUROロボットを用いたシミュレーションおよび実世界の実験により、言語モデルに基づくプランナーが、新しいロコ操作タスクに効率的に適応できることが示されている。
  論文  参考訳（メタデータ） (2024-09-02T15:27:48Z)
• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• 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)
• Embodied Task Planning with Large Language Models [86.63533340293361]
  本研究では,現場制約を考慮した地上計画のための具体的タスクにおけるTAsk Planing Agent (TaPA)を提案する。 推論の際には,オープンボキャブラリオブジェクト検出器を様々な場所で収集された多視点RGB画像に拡張することにより,シーン内の物体を検出する。 実験の結果,我々のTaPAフレームワークから生成されたプランは,LLaVAやGPT-3.5よりも大きなマージンで高い成功率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-07-04T17:58:25Z)
• AlphaBlock: Embodied Finetuning for Vision-Language Reasoning in Robot Manipulation [50.737355245505334]
  本稿では,ロボット操作タスクにおける高レベル認知能力を学習するための新しいフレームワークを提案する。 得られたデータセットAlphaBlockは、多段階のテキストプランとペア観測による35の包括的なハイレベルタスクで構成されている。
  論文  参考訳（メタデータ） (2023-05-30T09:54:20Z)
• Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning [36.300564378022315]
  本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。 本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
  論文  参考訳（メタデータ） (2022-11-03T04:12:04Z)
• Robot Motion Planning as Video Prediction: A Spatio-Temporal Neural Network-based Motion Planner [16.26965535164238]
  ニューラルネットワーク(NN)ベースの手法は、NNモデルの強力な学習能力と本質的に高い並列性により、ロボットの動作計画に魅力的なアプローチとして登場した。 本稿では,重要な時間的情報を完全に抽出し活用し,効率的なニューラルモーションプランナを構築するためのエンドツーエンド学習フレームワークであるNeural-Netを提案する。
  論文  参考訳（メタデータ） (2022-08-24T03:45:27Z)

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。