論文の概要: Scalable Multi-robot Motion Planning for Congested Environments With
Topological Guidance
- arxiv url: http://arxiv.org/abs/2210.07141v2
- Date: Thu, 25 May 2023 18:19:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 23:48:04.901279
- Title: Scalable Multi-robot Motion Planning for Congested Environments With
Topological Guidance
- Title(参考訳): トポロジカル誘導による混雑環境のスケーラブルなマルチロボット運動計画
- Authors: Courtney McBeth, James Motes, Diane Uwacu, Marco Morales, Nancy M.
Amato
- Abstract要約: マルチロボットモーションプランニング(MRMP)は、連続状態空間におけるロボットの衝突のない経路を見つける問題である。
我々は、トポロジカルガイダンスによって提供される改善された効率を活用するために、既存のシングルロボットモーションプランニング手法を拡張した。
提案手法は,多くの狭い経路を持つ複雑な環境における経路を効率的に計画する能力を示し,既存の方法の最大25倍の大きさのロボットチームに拡張する。
- 参考スコア(独自算出の注目度): 2.846144602096543
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-robot motion planning (MRMP) is the problem of finding collision-free
paths for a set of robots in a continuous state space. The difficulty of MRMP
increases with the number of robots and is exacerbated in environments with
narrow passages that robots must pass through, like warehouse aisles where
coordination between robots is required. In single-robot settings,
topology-guided motion planning methods have shown improved performance in
these constricted environments. In this work, we extend an existing
topology-guided single-robot motion planning method to the multi-robot domain
to leverage the improved efficiency provided by topological guidance. We
demonstrate our method's ability to efficiently plan paths in complex
environments with many narrow passages, scaling to robot teams of size up to 25
times larger than existing methods in this class of problems. By leveraging
knowledge of the topology of the environment, we also find higher-quality
solutions than other methods.
- Abstract(参考訳): マルチロボットモーションプランニング(mrmp)は、連続状態空間における一連のロボットの衝突のない経路を見つける問題である。
MRMPの難しさは、ロボットの数の増加とともに増加し、ロボット間の調整が必要な倉庫通路など、ロボットが通過しなければならない狭い通路のある環境で悪化する。
単一ロボット環境では、トポロジー誘導動作計画手法により、これらの制約された環境での性能が向上している。
本研究では,既存のトポロジ誘導型単一ロボット動作計画法をマルチロボット領域に拡張し,トポロジカルガイダンスによる効率向上を図る。
本手法は,多くの狭い経路を持つ複雑な環境における経路を効率的に計画する能力を示し,従来の手法に比べて最大25倍の大きさのロボットチームにスケールする。
環境のトポロジの知識を活用することで、他の方法よりも高品質なソリューションを見つけることができる。
関連論文リスト
- Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳(メタデータ) (2024-08-29T20:22:22Z) - 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) - Leveraging Hyperbolic Embeddings for Coarse-to-Fine Robot Design [40.01142267374432]
マルチセルロボットの設計は、多様なタスクを実行するために効率的に制御できる多数のセルからなるロボットを作ることを目的としている。
これまでの研究では、さまざまなタスクのためのロボットを生成する能力が実証されてきたが、これらのアプローチは、広大なデザイン空間でロボットを直接最適化することが多い。
本稿では,多細胞ロボットを設計するための新しい粗粒化手法を提案する。
論文 参考訳(メタデータ) (2023-11-01T11:56:32Z) - Minimizing Turns in Watchman Robot Navigation: Strategies and Solutions [1.6749379740049928]
本稿では,直交ウォッチマン経路問題(OWRP)を解くための効率的な線形時間アルゴリズムを提案する。
本研究は,より合理化されたパトロールロボットの設計を可能にすることにより,ロボットシステムの進歩に寄与する。
論文 参考訳(メタデータ) (2023-08-19T18:53:53Z) - Learning to Coordinate for a Worker-Station Multi-robot System in Planar
Coverage Tasks [16.323122275188354]
ランダムな動的干渉器を有する大規模平面領域におけるマルチロボットカバレッジパス計画問題に着目する。
本稿では,実際の作業に必要なリソースが限られている複数の作業者と,資源補給に十分なリソースを持つ1つのステーションからなる作業者ステーションMSSを紹介する。
本稿では、労働者のカバレッジプランニングと駅のランデブープランニングを同時に解決する、エンドツーエンドの分散オンラインプランニング手法を提案する。
論文 参考訳(メタデータ) (2022-08-05T05:36:42Z) - Simultaneous Contact-Rich Grasping and Locomotion via Distributed
Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。
ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
論文 参考訳(メタデータ) (2022-07-04T13:52:10Z) - REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy
Transfer [57.045140028275036]
本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。
模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。
本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
論文 参考訳(メタデータ) (2022-02-10T18:50:25Z) - 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) - 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) - Mobile Robot Path Planning in Dynamic Environments through Globally
Guided Reinforcement Learning [12.813442161633116]
本稿では,多ボット計画問題の解決を目的として,グローバルガイド型学習強化手法(G2RL)を提案する。
G2RLは任意の環境に一般化する新しい経路報酬構造を組み込んでいる。
提案手法は,異なるマップタイプ,障害物密度,ロボット数にまたがって評価する。
論文 参考訳(メタデータ) (2020-05-11T20:42:29Z)
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。