論文の概要: Hypergraph-based Multi-Robot Task and Motion Planning

• arxiv url: http://arxiv.org/abs/2210.04333v2
• Date: Wed, 19 Apr 2023 11:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-20 17:49:06.965199
• Title: Hypergraph-based Multi-Robot Task and Motion Planning
• Title（参考訳）: ハイパーグラフに基づくマルチロボットタスクと運動計画
• Authors: James Motes, Tan Chen, Timothy Bretl, Marco Morales, Nancy M. Amato
• Abstract要約: 本稿では,既存の手法に比べて最大3桁の解時間が得られるマルチロボットタスクと動作計画法を提案する。 我々は、この改善を計画空間を分解して、マニピュレータのみ、オブジェクト、そして、オブジェクトを保持するマニピュレータを考える。 また,他のマルチロボットタスクや動作計画問題にも同様の効果が期待できることを示す。
• 参考スコア（独自算出の注目度）: 6.531508126392304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a multi-robot task and motion planning method that, when applied to the rearrangement of objects by manipulators, results in solution times up to three orders of magnitude faster than existing methods and successfully plans for problems with up to twenty objects, more than three times as many objects as comparable methods. We achieve this improvement by decomposing the planning space to consider manipulators alone, objects, and manipulators holding objects. We represent this decomposition with a hypergraph where vertices are decomposed elements of the planning spaces and hyperarcs are transitions between elements. Existing methods use graph-based representations where vertices are full composite spaces and edges are transitions between these. Using the hypergraph reduces the representation size of the planning space-for multi-manipulator object rearrangement, the number of hypergraph vertices scales linearly with the number of either robots or objects, while the number of hyperarcs scales quadratically with the number of robots and linearly with the number of objects. In contrast, the number of vertices and edges in graph-based representations scales exponentially in the number of robots and objects. We show that similar gains can be achieved for other multi-robot task and motion planning problems.
• Abstract（参考訳）: 本稿では,マニピュレータによるオブジェクトの再配置に適用した場合,既存の手法よりも最大3桁高速で解解時間を実現し,最大20個のオブジェクトの3倍以上のオブジェクトの問題を計画できるマルチロボットタスクと動作計画法を提案する。 我々は, 物体を保持するマニピュレータ, 物体, マニピュレータのみを考えるための計画空間を分解することにより, この改善を実現する。 この分解をハイパーグラフで表現し、頂点は計画空間の分解要素であり、超弧は要素間の遷移である。 既存の手法では、頂点が完全な合成空間であり、エッジがそれらの間の遷移であるグラフベースの表現を用いる。 ハイパーグラフを用いて、マルチマニピュレータオブジェクト再構成のための計画空間の表現サイズを減らすことで、ハイパーグラフ頂点の数はロボットまたはオブジェクトの数と線形にスケールし、ハイパーアークの数はロボットの数と2次的にスケールし、オブジェクトの数と線形にスケールする。 対照的に、グラフベースの表現における頂点とエッジの数は、ロボットやオブジェクトの数に指数関数的にスケールする。 また,他のマルチロボットタスクや動作計画問題にも同様の効果が期待できることを示す。

関連論文リスト

• Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
  Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。 セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
  論文  参考訳（メタデータ） (2024-11-25T10:14:10Z)
• SayPlan: Grounding Large Language Models using 3D Scene Graphs for Scalable Robot Task Planning [15.346150968195015]
  本研究では,3次元シーングラフ(DSG)表現を用いた大規模タスクプランニングのスケーラブルなアプローチであるSayPlanを紹介する。 我々は,最大3フロア,36部屋,140部屋までの大規模な2つの環境に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2023-07-12T12:37:55Z)
• Contrastive Lift: 3D Object Instance Segmentation by Slow-Fast Contrastive Fusion [110.84357383258818]
  本稿では,2次元セグメントを3次元に上げ,ニューラルネットワーク表現を用いて融合させる新しい手法を提案する。 このアプローチの中核は、高速なクラスタリング目的関数であり、多数のオブジェクトを持つシーンにスケーラブルで適しています。 我々のアプローチは、ScanNet、Hypersim、Replicaのデータセットからの挑戦的なシーンにおいて、最先端の状況よりも優れています。
  論文  参考訳（メタデータ） (2023-06-07T17:57:45Z)
• 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)
• Toward Efficient Task Planning for Dual-Arm Tabletop Object Rearrangement [12.928188950810043]
  非単調な再配置タスクでは、複雑なオブジェクトオブジェクトの依存関係が存在し、インスタンスを解決するために複数のオブジェクトを移動する必要があります。 本研究では,2つのアーム間で適切に分配可能なピック・n・プレース・シーケンスをスケジューリングするための効率的なタスク計画アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-07-17T05:11:14Z)
• Sequential Manipulation Planning on Scene Graph [90.28117916077073]
  我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。 ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。 次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
  論文  参考訳（メタデータ） (2022-07-10T02:01:33Z)
• Learning to Search in Task and Motion Planning with Streams [20.003445874753233]
  ロボット工学におけるタスク計画問題と動作計画問題は、個別のタスク変数に対するシンボリック計画と、連続状態および動作変数に対する動作最適化を組み合わせたものである。 対象と事実の集合を最優先的に拡張する幾何学的情報に基づく記号プランナを提案する。 ブロックスタッキング操作タスクにおいて,このアルゴリズムを7DOFロボットアームに適用する。
  論文  参考訳（メタデータ） (2021-11-25T15:58:31Z)
• Large Scale Distributed Collaborative Unlabeled Motion Planning with Graph Policy Gradients [122.85280150421175]
  本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。 ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
  論文  参考訳（メタデータ） (2021-02-11T21:57:43Z)
• Nothing But Geometric Constraints: A Model-Free Method for Articulated Object Pose Estimation [89.82169646672872]
  本稿では,ロボットアームの関節構成を,モデルに先入観を持たずにRGBまたはRGB-D画像のシーケンスから推定する,教師なし視覚ベースシステムを提案する。 我々は,古典幾何学的定式化と深層学習を組み合わせることで,この課題を解決するために,極性多剛体制約を拡張した。
  論文  参考訳（メタデータ） (2020-11-30T20:46:48Z)
• A Long Horizon Planning Framework for Manipulating Rigid Pointcloud Objects [25.428781562909606]
  本稿では,剛体物体の操作に伴う長期計画問題の解決のための枠組みを提案する。 提案手法はオブジェクトサブゴールの空間における計画であり,ロボットとオブジェクトの相互作用のダイナミクスに関する推論からプランナーを解放する。
  論文  参考訳（メタデータ） (2020-11-16T18:59:33Z)

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。