論文の概要: Constant-time Motion Planning with Anytime Refinement for Manipulation
- arxiv url: http://arxiv.org/abs/2311.00837v1
- Date: Wed, 1 Nov 2023 20:40:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 15:41:49.100576
- Title: Constant-time Motion Planning with Anytime Refinement for Manipulation
- Title（参考訳）: マニピュレーションのための任意のリファインメントによる定時運動計画
- Authors: Itamar Mishani, Hayden Feddock, Maxim Likhachev
- Abstract要約: 本研究では,CTMP(Constant-time Motion Planners)アルゴリズムと組み合わせたリアルタイム改良手法を提案する。
提案するフレームワークは,定数時間アルゴリズムとして動作するため,ユーザ定義時間しきい値内の初期解を高速に生成する。
任意の時間アルゴリズムとして機能し、割り当てられた時間予算内で、ソリューションの品質を反復的に改善します。
- 参考スコア（独自算出の注目度）: 19.717413012382714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic manipulators are essential for future autonomous systems, yet limited
trust in their autonomy has confined them to rigid, task-specific systems. The
intricate configuration space of manipulators, coupled with the challenges of
obstacle avoidance and constraint satisfaction, often makes motion planning the
bottleneck for achieving reliable and adaptable autonomy. Recently, a class of
constant-time motion planners (CTMP) was introduced. These planners employ a
preprocessing phase to compute data structures that enable online planning
provably guarantee the ability to generate motion plans, potentially
sub-optimal, within a user defined time bound. This framework has been
demonstrated to be effective in a number of time-critical tasks. However,
robotic systems often have more time allotted for planning than the online
portion of CTMP requires, time that can be used to improve the solution. To
this end, we propose an anytime refinement approach that works in combination
with CTMP algorithms. Our proposed framework, as it operates as a constant time
algorithm, rapidly generates an initial solution within a user-defined time
threshold. Furthermore, functioning as an anytime algorithm, it iteratively
refines the solution's quality within the allocated time budget. This enables
our approach to strike a balance between guaranteed fast plan generation and
the pursuit of optimization over time. We support our approach by elucidating
its analytical properties, showing the convergence of the anytime component
towards optimal solutions. Additionally, we provide empirical validation
through simulation and real-world demonstrations on a 6 degree-of-freedom robot
manipulator, applied to an assembly domain.
- Abstract（参考訳）: ロボットマニピュレータは将来の自律システムには不可欠だが、彼らの自律性への信頼は厳格でタスク固有のシステムに制限されている。
マニピュレータの複雑な構成空間は、障害物回避と制約満足度の課題と相まって、信頼性と適応可能な自律性を達成するためのボトルネックとなる。
近年,CTMP (Constant-time Motion Planner) が導入された。
これらのプランナーは事前処理フェーズを使用してデータ構造を計算し、オンラインプランニングにより、ユーザが定義した時間境界内で、潜在的に最適以下の動作計画を生成することができる。
このフレームワークは、多くの時間クリティカルなタスクで有効であることが示されている。
しかし、ロボットシステムは、しばしばctmpのオンライン部分よりも計画に割り当てられる時間が多く、ソリューションを改善するのに使える時間がある。
そこで本研究では,CTMPアルゴリズムと組み合わせたリアルタイム改良手法を提案する。
提案するフレームワークは定時間アルゴリズムとして動作し,ユーザ定義の時間しきい値内で初期解を迅速に生成する。
さらに、anytimeアルゴリズムとして機能し、割り当てられた時間予算内で反復的にソリューションの品質を洗練する。
これにより、保証された高速プラン生成と時間の経過とともに最適化の追求のバランスをとることができます。
我々は,その解析的性質を解明し,任意の時間成分の最適解への収束を示すことにより,このアプローチを支持する。
さらに,6自由度ロボットマニピュレータのシミュレーションと実世界の実演による実証検証を行い,アセンブリドメインに適用した。
関連論文リスト
- Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - 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) - TTT: A Temporal Refinement Heuristic for Tenuously Tractable Discrete Time Reachability Problems [8.696305200911455]
到達可能な集合計算は制御系を解析するための重要なツールである。
時間的改善を行うための自動フレームワークを導入する。
提案アルゴリズムは,20～70%の時間で,ベースラインアプローチに類似した誤差で近似到達可能な集合を生成することができることを示す。
論文 参考訳（メタデータ） (2024-07-19T15:16:25Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - Distributed Allocation and Scheduling of Tasks with Cross-Schedule
Dependencies for Heterogeneous Multi-Robot Teams [2.294915015129229]
本稿では,異なるロボットのタスクが時間的・優先的な制約に強く結びついているミッションに対して,タスク割り当てとスケジューリングを行うアルゴリズムを提案する。
マルチロボットシステムによって維持される温室の実用ユースケースへの計画手順の適用。
論文 参考訳（メタデータ） (2021-09-07T13:44:28Z) - Anytime Stochastic Task and Motion Policies [12.72186877599064]
本稿では,タスクと動作計画を統合するための新しい手法を提案する。
我々のアルゴリズムは確率論的に完全であり、いつでも実現可能な解ポリシーを計算できる。
論文 参考訳（メタデータ） (2021-08-28T00:23:39Z) - Efficient Temporal Piecewise-Linear Numeric Planning with Lazy
Consistency Checking [4.834203844100679]
本稿では,プランナがLP整合性チェックを可能な限り遅延的に計算できる手法を提案する。
また,時間依存ゴールチェックをより選択的に行うアルゴリズムを提案する。
結果として得られるプランナーは、より効率的であるだけでなく、最先端の時間数値とハイブリッドプランナーよりも優れています。
論文 参考訳（メタデータ） (2021-05-21T07:36:54Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - Jump Operator Planning: Goal-Conditioned Policy Ensembles and Zero-Shot
Transfer [71.44215606325005]
本稿では,シーケンシャルなサブゴールタスクの超指数空間における解を高速に計算するための,Jump-Operator Dynamic Programmingという新しいフレームワークを提案する。
このアプローチでは、時間的に拡張された行動として機能する、再利用可能な目標条件付き警察のアンサンブルを制御する。
すると、この部分空間上の目的関数のクラスを、解がグラウンド化に不変であるものとして特定し、最適ゼロショット移動をもたらす。
論文 参考訳（メタデータ） (2020-07-06T05:13:20Z) - Trajectory Optimization for Nonlinear Multi-Agent Systems using
Decentralized Learning Model Predictive Control [5.2647625557619815]
非線形疎結合力学と結合状態制約を持つマルチエージェントシステムに対する学習モデル予測制御に基づく分散化最小時間軌道最適化手法を提案する。
このフレームワークは,タスク実行の各イテレーションにおけるエージェント間の通信を不要とし,永続的実現性,有限時間閉ループ収束性,グローバルシステムのタスク反復による非遅延性能を保証する。
論文 参考訳（メタデータ） (2020-04-02T23:04:10Z)
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。