論文の概要: RoboBallet: Planning for Multi-Robot Reaching with Graph Neural Networks and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2509.05397v1
• Date: Fri, 05 Sep 2025 14:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.495407
• Title: RoboBallet: Planning for Multi-Robot Reaching with Graph Neural Networks and Reinforcement Learning
• Title（参考訳）: RoboBallet: グラフニューラルネットワークと強化学習によるマルチロボットリーチ計画
• Authors: Matthew Lai, Keegan Go, Zhibin Li, Torsten Kroger, Stefan Schaal, Kelsey Allen, Jonathan Scholz,
• Abstract要約: 現代のロボット製造では、共有された障害物の多いワークスペースで多くのタスクを完了するために、衝突のない複数のロボットの調整が必要である。 既存のマルチアームシステムは、労働集約的なプロセスで手動で実現可能な軌道を設計するための人間の直感と経験に依存している。 障害物の多い環境下でテストし,40個の到達タスクを実行する8つのロボットを用いて,自律的なタスクと動作計画を実現するための強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.558796588722835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern robotic manufacturing requires collision-free coordination of multiple robots to complete numerous tasks in shared, obstacle-rich workspaces. Although individual tasks may be simple in isolation, automated joint task allocation, scheduling, and motion planning under spatio-temporal constraints remain computationally intractable for classical methods at real-world scales. Existing multi-arm systems deployed in the industry rely on human intuition and experience to design feasible trajectories manually in a labor-intensive process. To address this challenge, we propose a reinforcement learning (RL) framework to achieve automated task and motion planning, tested in an obstacle-rich environment with eight robots performing 40 reaching tasks in a shared workspace, where any robot can perform any task in any order. Our approach builds on a graph neural network (GNN) policy trained via RL on procedurally-generated environments with diverse obstacle layouts, robot configurations, and task distributions. It employs a graph representation of scenes and a graph policy neural network trained through reinforcement learning to generate trajectories of multiple robots, jointly solving the sub-problems of task allocation, scheduling, and motion planning. Trained on large randomly generated task sets in simulation, our policy generalizes zero-shot to unseen settings with varying robot placements, obstacle geometries, and task poses. We further demonstrate that the high-speed capability of our solution enables its use in workcell layout optimization, improving solution times. The speed and scalability of our planner also open the door to new capabilities such as fault-tolerant planning and online perception-based re-planning, where rapid adaptation to dynamic task sets is required.
• Abstract（参考訳）: 現代のロボット製造では、共有された障害物の多いワークスペースで多くのタスクを完了するために、衝突のない複数のロボットの調整が必要である。 個々のタスクは単独では単純であるが、時空間制約下でのタスクの自動割り当て、スケジューリング、動作計画は、現実のスケールでの古典的手法では計算的に難解である。 業界に展開されている既存のマルチアームシステムは、労働集約的なプロセスで手動で実現可能な軌道を設計するための人間の直感と経験に依存している。 この課題に対処するために,ロボットが任意の順序でタスクを実行できる作業空間において,40個のタスクを遂行する8つのロボットを用いて,障害物の多い環境でテストされた自動タスクと動作計画を実現するための強化学習(RL)フレームワークを提案する。 我々のアプローチは、さまざまな障害物レイアウト、ロボット構成、タスク分散を備えた手続き的に生成された環境において、RLを介してトレーニングされたグラフニューラルネットワーク(GNN)ポリシーに基づいている。 シーンのグラフ表現と、強化学習を通じてトレーニングされたグラフポリシーニューラルネットワークを使用して、複数のロボットの軌道を生成し、タスク割り当て、スケジューリング、動作計画のサブプロブレムを共同で解決する。 シミュレーションにおいてランダムに生成された大きなタスクセットを学習し、ロボットの配置や障害物測度、タスクポーズなどにより、ゼロショットから見えない設定に一般化する。 さらに、我々のソリューションの高速化により、ワークセルレイアウトの最適化に利用でき、ソリューション時間を改善することができることを実証する。 また,動的タスクセットへの迅速な適応が必要なフォールトトレラント計画やオンライン認識に基づく再計画など,新たな機能への扉を開く。

関連論文リスト

• Multimodal Fused Learning for Solving the Generalized Traveling Salesman Problem in Robotic Task Planning [11.697279328699489]
  汎用トラベリングセールスマン問題(GTSP)を解決するための多モード融合学習フレームワークを提案する。 まず、GTSPインスタンスを空間情報表現に変換する座標ベースのイメージビルダーを紹介する。 次に、異なる問題スケールにわたる適応性を高めるための適応分解能スケーリング戦略を設計し、マルチモーダル融合モジュールを開発する。
  論文  参考訳（メタデータ） (2025-06-20T11:51:52Z)
• 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)
• Together We Rise: Optimizing Real-Time Multi-Robot Task Allocation using Coordinated Heterogeneous Plays [5.206057210246862]
  本稿では,動的倉庫環境におけるリアルタイムマルチロボットタスク割り当て問題に対処する。 マルチエージェント強化学習フレームワークであるMRTAgentを紹介する。 安全なナビゲーションには、修正線形二次コントローラ(LQR)アプローチが使用される。
  論文  参考訳（メタデータ） (2025-02-22T04:59:27Z)
• 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)
• 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)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• 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)
• 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)

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。