Fugu-MT 論文翻訳(概要): Acting and Planning with Hierarchical Operational Models on a Mobile Robot: A Study with RAE+UPOM

論文の概要: Acting and Planning with Hierarchical Operational Models on a Mobile Robot: A Study with RAE+UPOM

arxiv url: http://arxiv.org/abs/2507.11345v1
Date: Tue, 15 Jul 2025 14:20:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-16 19:46:03.148555
Title: Acting and Planning with Hierarchical Operational Models on a Mobile Robot: A Study with RAE+UPOM
Title（参考訳）: 移動ロボットの階層的操作モデルによる実行と計画:RAE+UPOMを用いた検討
Authors: Oscar Lima, Marc Vinci, Sunandita Patra, Sebastian Stock, Joachim Hertzberg, Martin Atzmueller, Malik Ghallab, Dana Nau, Paolo Traverso,
Abstract要約: 本稿では,行動と計画の両方の階層的操作モデルを共有する,アクター・プランナ統合システムの最初の物理的展開について述べる。 RAE+UPOMを実環境に配置した移動マニピュレータにオブジェクト収集タスクを実装した。
参考スコア（独自算出の注目度）: 5.758011837296545
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robotic task execution faces challenges due to the inconsistency between symbolic planner models and the rich control structures actually running on the robot. In this paper, we present the first physical deployment of an integrated actor-planner system that shares hierarchical operational models for both acting and planning, interleaving the Reactive Acting Engine (RAE) with an anytime UCT-like Monte Carlo planner (UPOM). We implement RAE+UPOM on a mobile manipulator in a real-world deployment for an object collection task. Our experiments demonstrate robust task execution under action failures and sensor noise, and provide empirical insights into the interleaved acting-and-planning decision making process.
Abstract（参考訳）: ロボットのタスク実行は、象徴的なプランナーモデルと、実際にロボット上で実行されるリッチな制御構造との間に矛盾があるため、課題に直面します。本稿では,アクター・プランナ統合システムにおいて,動作と計画の両方において階層的な操作モデルを共有し,リアクティブ・アクター・エンジン(RAE)を常にUCTライクなモンテカルロ・プランナ(UPOM)と相互接続する最初の物理的展開について述べる。 RAE+UPOMを実環境に配置した移動マニピュレータにオブジェクト収集タスクを実装した。本実験は,動作障害およびセンサノイズ下での堅牢なタスク実行を実証し,インターリーブされた行動計画決定プロセスに関する実証的な知見を提供する。

関連論文リスト

OWMM-Agent: Open World Mobile Manipulation With Multi-modal Agentic Data Synthesis [70.39500621448383]
オープンワールドのモバイル操作タスクは、オープンエンドの命令や環境への一般化が必要なため、依然として課題である。本稿では,多視点のシーンフレームとエージェント状態を維持した新しいマルチモーダルエージェントアーキテクチャを提案する。我々は,グローバルなシーン理解,ロボットの状態追跡,マルチモーダルアクション生成を統一モデルで実現した,モバイルマニピュレータのための基礎モデルであるOWMM-VLMについて紹介する。
論文参考訳（メタデータ） (2025-06-04T17:57:44Z)
Unlocking Smarter Device Control: Foresighted Planning with a World Model-Driven Code Execution Approach [83.21177515180564]
本研究では,自然言語理解と構造化推論を優先し,エージェントの環境に対するグローバルな理解を高める枠組みを提案する。本手法は,従来の手法,特にタスク成功率の44.4%向上を達成している。
論文参考訳（メタデータ） (2025-05-22T09:08:47Z)
Beyond Task and Motion Planning: Hierarchical Robot Planning with General-Purpose Policies [32.85839714467011]
キネマティックスキルとクローズドループモーターコントローラの両方で計画する上での課題に対処する。本稿では,これらのコントローラを,構成可能なインタラクションプリミティブを用いた動作計画に統合する新しい手法を提案する。
論文参考訳（メタデータ） (2025-04-24T19:22:50Z)
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)
Autonomous Behavior Planning For Humanoid Loco-manipulation Through Grounded Language Model [6.9268843428933025]
大規模言語モデル(LLM)は、意味情報の理解と処理のための強力な計画と推論能力を示している。本稿では,ロボットが与えられたテキストによる指示の下で,自律的に動作や低レベル実行を計画できる新しい言語モデルベースのフレームワークを提案する。
論文参考訳（メタデータ） (2024-08-15T17:33:32Z)
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)
Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
論文参考訳（メタデータ） (2023-12-11T22:54:44Z)
CoPAL: Corrective Planning of Robot Actions with Large Language Models [7.944803163555092]
本稿では,認知レベル間のシームレスな相互作用を編成し,推論,計画,動作生成を包含するシステムアーキテクチャを提案する。中心となるのは、生成した計画における物理的に基底的、論理的、セマンティックなエラーを処理する、新しいリプラン戦略である。
論文参考訳（メタデータ） (2023-10-11T07:39:42Z)
Long-Horizon Planning and Execution with Functional Object-Oriented Networks [79.94575713911189]
タスク計画と実行のためのFOONとしてオブジェクトレベルの知識を活用するというアイデアを紹介します。提案手法では,FOONをPDDLに自動変換し,市販のプランナ,アクションコンテキスト,ロボットスキルを活用する。我々はCoppeliaSimの長期タスクに対するアプローチを実証し、学習されたアクションコンテキストを、これまで見たことのないシナリオにどのように拡張できるかを示す。
論文参考訳（メタデータ） (2022-07-12T19:29:35Z)
Deliberative Acting, Online Planning and Learning with Hierarchical Operational Models [5.597986898418404]
AI研究では、アクションの計画は通常、アクションの結果として起こる可能性のあることを抽象的に特定するアクションの記述モデルを使用してきた。計画されたアクションの実行には、リッチな計算制御構造とクローズドループオンライン意思決定を使用する運用モデルが必要である。我々は、計画と行動の両方が同じ運用モデルを使用する統合された行動計画システムを実装している。
論文参考訳（メタデータ） (2020-10-02T14:50:05Z)
Goal-Conditioned End-to-End Visuomotor Control for Versatile Skill Primitives [89.34229413345541]
本稿では,制御器とその条件をエンドツーエンドに学習することで,落とし穴を回避する条件付け手法を提案する。本モデルでは,ロボットの動きのダイナミックな画像表現に基づいて,複雑な動作シーケンスを予測する。代表的MPCおよびILベースラインに対するタスク成功の大幅な改善を報告した。
論文参考訳（メタデータ） (2020-03-19T15:04:37Z)

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。