論文の概要: A Framework for Task and Motion Planning based on Expanding AND/OR Graphs

• arxiv url: http://arxiv.org/abs/2509.00317v1
• Date: Sat, 30 Aug 2025 02:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.174348
• Title: A Framework for Task and Motion Planning based on Expanding AND/OR Graphs
• Title（参考訳）: 拡張型および/ORグラフに基づくタスクと動作計画のためのフレームワーク
• Authors: Fulvio Mastrogiovanni, Antony Thomas,
• Abstract要約: タスク・アンド・モーション・プランニング(TMP)は、自律的なサービス、表面操作、さらには軌道上でのミッションにおいて重要である。 本稿では、TMP-EAOGと呼ばれる拡張AND/ORグラフに基づくTMPフレームワークを導入し、異なるシナリオへの適応性を実証する。
• 参考スコア（独自算出の注目度）: 3.1486269481946754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot autonomy in space environments presents unique challenges, including high perception and motion uncertainty, strict kinematic constraints, and limited opportunities for human intervention. Therefore, Task and Motion Planning (TMP) may be critical for autonomous servicing, surface operations, or even in-orbit missions, just to name a few, as it models tasks as discrete action sequencing integrated with continuous motion feasibility assessments. In this paper, we introduce a TMP framework based on expanding AND/OR graphs, referred to as TMP-EAOG, and demonstrate its adaptability to different scenarios. TMP-EAOG encodes task-level abstractions within an AND/OR graph, which expands iteratively as the plan is executed, and performs in-the-loop motion planning assessments to ascertain their feasibility. As a consequence, TMP-EAOG is characterised by the desirable properties of (i) robustness to a certain degree of uncertainty, because AND/OR graph expansion can accommodate for unpredictable information about the robot environment, (ii) controlled autonomy, since an AND/OR graph can be validated by human experts, and (iii) bounded flexibility, in that unexpected events, including the assessment of unfeasible motions, can lead to different courses of action as alternative paths in the AND/OR graph. We evaluate TMP-EAOG on two benchmark domains. We use a simulated mobile manipulator as a proxy for space-grade autonomous robots. Our evaluation shows that TMP-EAOG can deal with a wide range of challenges in the benchmarks.
• Abstract（参考訳）: 宇宙環境におけるロボットの自律性は、高い知覚と運動の不確実性、厳密な運動的制約、人間の介入の限られた機会など、独特な課題を示す。 したがって、タスク・アンド・モーション・プランニング(TMP)は、自律的なサービシング、表面操作、さらには軌道上のミッションにおいて、タスクを連続的なモーション・フィージビリティーアセスメントと統合された離散的なアクションシークエンシングとしてモデル化するものとして、いくつかの例を挙げることができる。 本稿では,TMP-EAOGと呼ばれる拡張AND/ORグラフに基づくTMPフレームワークを提案する。 TMP-EAOGは、計画実行時に反復的に拡張するAND/ORグラフ内のタスクレベルの抽象化を符号化し、その実現可能性を確認するためにループ内動作計画アセスメントを実行する。 その結果、TMP-EAOGは望ましい性質によって特徴づけられる。 一 ロボット環境に関する予測不能な情報に対応できるため、一定の不確実性に頑健である。 二 人的専門家によるAND/ORグラフの検証が可能なため、自治管理 3) 有界な柔軟性は、予期せぬ動きの評価を含む予期せぬ事象は、AND/ORグラフの代替経路として異なる行動経路を導出することができる。 2つのベンチマーク領域でTMP-EAOGを評価する。 我々は、宇宙グレードの自律ロボットのプロキシとして、シミュレートされた移動マニピュレータを使用する。 評価の結果,TMP-EAOGはベンチマークにおいて幅広い課題に対処できることがわかった。

関連論文リスト

• 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)
• A Task and Motion Planning Framework Using Iteratively Deepened AND/OR Graph Networks [3.635602838654497]
  本稿では,AND/ORグラフネットワークに基づくタスクと動作計画の統合手法を提案する。 タスク・アンド・モーション・プランニング問題(TAMP)の異なるクラスの実装に活用する。 このアプローチは、シミュレーションと実際のデュアルアームロボットマニピュレータ、すなわちRethink RoboticsのBaxterで評価され、検証されている。
  論文  参考訳（メタデータ） (2025-03-10T17:28:22Z)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• TAB-Fields: A Maximum Entropy Framework for Mission-Aware Adversarial Planning [2.4903631775244213]
  我々は、既知の制約に整合した最も偏りのない確率分布を計算することにより、時間とともに敵状態の分布をキャプチャする表現を開発する。 我々は,TAB条件付きPOMCPを導入することで,TAB-Fieldsを標準計画アルゴリズムと統合する。 提案手法は,特定の敵政策を前提としたベースラインや,ミッション制約を完全に無視するベースラインと比較して,優れた性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2024-12-03T16:55:27Z)
• R-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models [50.19174067263255]
  我々は、エージェントがスパース・リワード、継続的なアクション、ゴールベースのロボット制御POMDP環境においてエクササイズするのを助けるために、事前の選好学習手法と自己修正スケジュールを導入する。 我々のエージェントは、累積報酬、相対安定性、成功率の観点から、最先端モデルよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-09-21T18:32:44Z)
• 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)
• Transformer-Enhanced Motion Planner: Attention-Guided Sampling for State-Specific Decision Making [6.867637277944729]
  Transformer-Enhanced Motion Planner (TEMP)は、新しいディープラーニングベースのモーションプランニングフレームワークである。 TEMPによる環境情報セマンティック(EISE)と運動計画変換器(MPT)の相乗効果
  論文  参考訳（メタデータ） (2024-04-30T09:48:11Z)
• DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
  タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。 本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。 古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
  論文  参考訳（メタデータ） (2023-06-22T20:40:24Z)
• Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning [36.300564378022315]
  本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。 本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
  論文  参考訳（メタデータ） (2022-11-03T04:12:04Z)

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。