論文の概要: Planning for Manipulation among Movable Objects: Deciding Which Objects Go Where, in What Order, and How

• arxiv url: http://arxiv.org/abs/2303.13385v1
• Date: Thu, 23 Mar 2023 15:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 13:43:01.793972
• Title: Planning for Manipulation among Movable Objects: Deciding Which Objects Go Where, in What Order, and How
• Title（参考訳）: 移動物体間の操作計画:どの物体がどこに行くか、どの順序でどのように動くか
• Authors: Dhruv Saxena and Maxim Likhachev
• Abstract要約: 最近提案されたアルゴリズムであるM4Mは、どのオブジェクトを移動する必要があるかを決定し、この問題のマルチエージェントパスフィニングMAPFの抽象化を解く。 我々はM4Mを拡張して、可動オブジェクトに対するプッシュの順序を探索する、グラフ検索に基づく体系的な解法であるEnhanced-M4Mを提示する。
• 参考スコア（独自算出の注目度）: 17.498416513944886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We are interested in pick-and-place style robot manipulation tasks in cluttered and confined 3D workspaces among movable objects that may be rearranged by the robot and may slide, tilt, lean or topple. A recently proposed algorithm, M4M, determines which objects need to be moved and where by solving a Multi-Agent Pathfinding MAPF abstraction of this problem. It then utilises a nonprehensile push planner to compute actions for how the robot might realise these rearrangements and a rigid body physics simulator to check whether the actions satisfy physics constraints encoded in the problem. However, M4M greedily commits to valid pushes found during planning, and does not reason about orderings over pushes if multiple objects need to be rearranged. Furthermore, M4M does not reason about other possible MAPF solutions that lead to different rearrangements and pushes. In this paper, we extend M4M and present Enhanced-M4M (E-M4M) -- a systematic graph search-based solver that searches over orderings of pushes for movable objects that need to be rearranged and different possible rearrangements of the scene. We introduce several algorithmic optimisations to circumvent the increased computational complexity, discuss the space of problems solvable by E-M4M and show that experimentally, both on the real robot and in simulation, it significantly outperforms the original M4M algorithm, as well as other state-of-the-art alternatives when dealing with complex scenes.
• Abstract（参考訳）: 私たちは、ロボットによって並べ替えられ、スライド、傾いたり、傾いたり、トッププルしたりできる可動体の中で、3dワークスペースを散らかしたり閉じ込めたりするロボット操作タスクに興味があります。 最近提案されたアルゴリズムであるM4Mは、どのオブジェクトを移動する必要があるかを決定し、この問題のマルチエージェントパスフィニングMAPFの抽象化を解く。 そして、ロボットがこれらの再配置をどのように実現するかのアクションを計算するために、無理解のプッシュプランナーと、そのアクションが問題のエンコードされた物理学上の制約を満たすかどうかをチェックするための剛体物理学シミュレータを利用する。 しかし、m4mは計画中に見つかった正しいプッシュをゆるやかにコミットし、複数のオブジェクトを並べ替える必要がある場合、プッシュの順序付けを理由としない。 さらに、M4Mは異なる再配置とプッシュにつながる他のMAPFソリューションを推論しない。 本稿では,M4M と Enhanced-M4M (E-M4M) を拡張し,シーンの並べ替えが必要な移動体に対するプッシュの順序を探索する,グラフ検索に基づく体系的な解法を提案する。 計算複雑性の増大を回避し, e-m4mで解決可能な問題の空間を議論し, 実ロボットとシミュレーションの両方において, 従来のm4mアルゴリズムと, 複雑なシーンを扱う際の他の最先端の代替案を, 実験的に上回っていることを示すアルゴリズム最適化を紹介する。

関連論文リスト

• Search-Based Path Planning among Movable Obstacles [8.023424148846265]
  本稿では,2つのPAMOの定式化について述べる。 完全性と解の最適性を保証する検索手法であるPAMO*を開発し,その2つの問題を解決する。 次に、PAMO* をハイブリッド状態 PAMO* に拡張し、ロボットとオブジェクト間の高忠実な相互作用を持つ連続空間で計画する。
  論文  参考訳（メタデータ） (2024-10-24T00:02:58Z)
• M3Bench: Benchmarking Whole-body Motion Generation for Mobile Manipulation in 3D Scenes [66.44171200767839]
  モバイル操作タスクのための全身動作生成のベンチマークであるM3Benchを提案する。 M3Benchは、その構成、環境制約、タスクの目的を理解するために、実施エージェントを必要とする。 M3Benchは119の多様なシーンにまたがる30kのオブジェクト再構成タスクを備えており、新たに開発したM3BenchMakerによって生成された専門家によるデモを提供する。
  論文  参考訳（メタデータ） (2024-10-09T08:38:21Z)
• Robot See Robot Do: Imitating Articulated Object Manipulation with Monocular 4D Reconstruction [51.49400490437258]
  本研究は,1つの単分子RGB人間の実演から音声による物体操作を模倣する手法を開発した。 まず,モノクロ映像から3次元部分運動を復元する4次元微分可能部品モデル(4D-DPM)を提案する。 この4D再構成を前提として、ロボットは物体の軌道を再現し、両腕の動きを計画し、実証された物体部分の動きを誘導する。 両用するYuMiロボットを用いて,4D-DPMの3D追跡精度を実写3D部分軌跡に基づいて評価し,9つのオブジェクトに対してRSRDの物理的実行性能を評価した。
  論文  参考訳（メタデータ） (2024-09-26T17:57:16Z)
• Multi-Agent Path Finding with Real Robot Dynamics and Interdependent Tasks for Automated Warehouses [1.2810395420131764]
  MAPF(Multi-Agent Path Finding)は、自動倉庫や工場にロボットを配置する際の重要な最適化問題である。 ロボットの群れが各注文の商品を棚からワークステーションに届ける倉庫において、オンラインでの注文配達の現実的な問題を考える。 これにより、相互依存型ピックアップおよびデリバリタスクのストリームが生成され、関連するMAPF問題は、現実的な衝突のないロボット軌道の計算によって構成される。
  論文  参考訳（メタデータ） (2024-08-26T15:13:38Z)
• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• simPLE: a visuotactile method learned in simulation to precisely pick, localize, regrasp, and place objects [16.178331266949293]
  本稿では,精密かつ汎用的なピック・アンド・プレイスの解法について検討する。 正確なピック・アンド・プレイスの解法としてシミュレートを提案する。 SimPLEは、オブジェクトCADモデルのみを前提に、オブジェクトの選択、再彫刻、配置を正確に学習する。
  論文  参考訳（メタデータ） (2023-07-24T21:22:58Z)
• Planning for Complex Non-prehensile Manipulation Among Movable Objects by Interleaving Multi-Agent Pathfinding and Physics-Based Simulation [23.62057790524675]
  重いクラッタにおける現実世界の操作問題は、ロボットが環境内の物体との潜在的な接触を推論する必要がある。 そこで我々は,対象物を棚から取り出すためのピック・アンド・プレイス・スタイルのタスクに焦点を合わせ,そのタスクを解決するために移動可能なオブジェクトを並べ替える必要がある。 特に、我々のモチベーションは、ロボットが複雑なロボットオブジェクトとオブジェクトオブジェクトの相互作用を引き起こす非包括的再配置動作を推論し、検討できるようにすることである。
  論文  参考訳（メタデータ） (2023-03-23T15:29:27Z)
• Towards Multimodal Multitask Scene Understanding Models for Indoor Mobile Agents [49.904531485843464]
  本稿では,現実世界の屋内環境におけるラベル付きデータの不十分,あるいは不可能,といった主な課題について論じる。 MMISM (Multi-modality input Multi-task output Indoor Scene Understanding Model) について述べる。 MMISMは、RGB画像だけでなく、スパースライダーポイントを入力と3Dオブジェクト検出、深さ完了、人間のポーズ推定、セマンティックセグメンテーションを出力タスクとみなしている。 MMISMはシングルタスクモデルよりも同等かそれ以上の性能を示す。
  論文  参考訳（メタデータ） (2022-09-27T04:49:19Z)
• Graph-Based Multi-Robot Path Finding and Planning [3.4260993997836753]
  複数のロボットの衝突のない経路を計画することは、現実のマルチロボットシステムにとって重要である。 近年の進歩により、何百ものロボットの衝突のない経路を計算できるMAPFアルゴリズムが実現されている。
  論文  参考訳（メタデータ） (2022-06-22T18:47:00Z)
• IFOR: Iterative Flow Minimization for Robotic Object Rearrangement [92.97142696891727]
  IFOR(Iterative Flow Minimization for Robotic Object Rearrangement)は、未知物体の物体再構成問題に対するエンドツーエンドの手法である。 本手法は,合成データのみを訓練しながら,散在するシーンや実世界に適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-01T20:03:56Z)
• 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)

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。