論文の概要: Dynamic Buffers: Cost-Efficient Planning for Tabletop Rearrangement with Stacking

• arxiv url: http://arxiv.org/abs/2509.22828v1
• Date: Fri, 26 Sep 2025 18:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.895094
• Title: Dynamic Buffers: Cost-Efficient Planning for Tabletop Rearrangement with Stacking
• Title（参考訳）: Dynamic Buffers: スタック化によるテーブルトップリアレンジの費用効率の良い計画
• Abstract要約: 乱雑なテーブルトップ環境でオブジェクトを配置することは、ロボット工学における長年の課題である。 これらの問題を解決するために、Dynamic Bufferと呼ばれる新しいプランニングプリミティブが導入されている。 人間のグループ化戦略にインスパイアされたロボットは、一時的に移動可能なスタックを形成し、ユニットとして輸送することができる。
• 参考スコア（独自算出の注目度）: 2.4140502941897544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rearranging objects in cluttered tabletop environments remains a long-standing challenge in robotics. Classical planners often generate inefficient, high-cost plans by shuffling objects individually and using fixed buffers--temporary spaces such as empty table regions or static stacks--to resolve conflicts. When only free table locations are used as buffers, dense scenes become inefficient, since placing an object can restrict others from reaching their goals and complicate planning. Allowing stacking provides extra buffer capacity, but conventional stacking is static: once an object supports another, the base cannot be moved, which limits efficiency. To overcome these issues, a novel planning primitive called the Dynamic Buffer is introduced. Inspired by human grouping strategies, it enables robots to form temporary, movable stacks that can be transported as a unit. This improves both feasibility and efficiency in dense layouts, and it also reduces travel in large-scale settings where space is abundant. Compared with a state-of-the-art rearrangement planner, the approach reduces manipulator travel cost by 11.89% in dense scenarios with a stationary robot and by 5.69% in large, low-density settings with a mobile manipulator. Practicality is validated through experiments on a Delta parallel robot with a two-finger gripper. These findings establish dynamic buffering as a key primitive for cost-efficient and robust rearrangement planning.
• Abstract（参考訳）: 乱雑なテーブルトップ環境でオブジェクトを配置することは、ロボット工学における長年の課題である。 古典的なプランナーは、オブジェクトを個別にシャッフルし、固定されたバッファー(空のテーブル領域や静的スタックのような一時的な空間)を使用することで、競合を解決することで、非効率で高コストなプランを生成する。 自由なテーブルロケーションのみをバッファとして使用する場合、オブジェクトを置くと、他のオブジェクトが目標に達するのを制限し、計画が複雑になるため、密集したシーンは効率が悪くなる。 スタック化はバッファ容量を増やすが、従来のスタック化は静的である:オブジェクトが別のものをサポートすると、ベースを移動できないため、効率が制限される。 これらの問題を解決するために、Dynamic Bufferと呼ばれる新しいプランニングプリミティブが導入されている。 人間のグループ化戦略にインスパイアされたロボットは、一時的に移動可能なスタックを形成し、ユニットとして輸送することができる。 これにより、高密度レイアウトにおける実現可能性と効率性が向上し、空間が豊富である大規模環境での移動も減少する。 最先端のアレンジメントプランナーと比較すると、固定ロボットによる密集シナリオでは11.89%、移動マニピュレータによる大型で低密度設定では5.69%、マニピュレータの移動コストは11.89%削減される。 2本のフィンガーグリップを備えたデルタパラレルロボットの実験により、実用性が検証される。 これらの結果は、コスト効率とロバストな再配置計画のための重要なプリミティブとして、動的バッファリングを確立している。

関連論文リスト

• Complete, Scalable, and Robust Prioritized Planning for Multi-Robot Ordered Storage and Retrieval at Maximum Capacity [14.759453430635034]
  「本論文では、順序付き記憶・検索問題を最大容量で行うための新しいマルチロボットの定式化について紹介する。」 この研究は、移動自由配置の特性を活用することにより、幾何学的実現可能性と実行効率のギャップを埋める。 一般的な集中型プランナーとは異なり、この手法はストレージアレンジメントの特定の不変性を利用して完全性を確保し、デッドロックを防ぐ。
  論文  参考訳（メタデータ） (2026-08-07T19:55:58Z)
• Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
  本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。 提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。 オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
  論文  参考訳（メタデータ） (2026-07-04T08:14:44Z)
• Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
  乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。 タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。 我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
  論文  参考訳（メタデータ） (2026-04-22T22:58:47Z)
• Ultrafast Sampling-based Kinodynamic Planning via Differential Flatness [15.37007491684187]
  AkinoPDFは、多種多様なフラットなロボットシステムのための高速並列サンプリングに基づくキノダイナミックモーションプランニング技術である。 我々の手法は高速で正確で、どのサンプリングベースモーションプランナーとも互換性がある。
  論文  参考訳（メタデータ） (2026-03-17T01:53:10Z)
• Push-Placement: A Hybrid Approach Integrating Prehensile and Non-Prehensile Manipulation for Object Rearrangement [2.4140502941897544]
  本論文は, 物体をつかむことによって, 物体を移動させるハイブリッドアクションプリミティブであるプッシュプレースメントを提案する。 この手法は、PyBulletシミュレータで評価された、ループ内のMonte Carlo Tree Searchプランナーに統合される。
  論文  参考訳（メタデータ） (2026-02-14T18:58:00Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• ReloPush-BOSS: Optimization-guided Nonmonotone Rearrangement Planning for a Car-like Robot Pusher [1.0828616610785522]
  カーライクなロボット・プッシャーを用いて,密集した環境下での多目的再配置計画に着目する。 私たちのフレームワークであるReloPush-BOSSは、最先端のベースラインと比較して、一貫して成功率と最短のプッシュパスを示しています。
  論文  参考訳（メタデータ） (2026-01-29T20:03:33Z)
• Making Infeasible Tasks Feasible: Planning to Reconfigure Disconnected 3D Environments with Movable Objects [7.628322510394639]
  初期から目標設定までの衝突のないロボットパスの計画は、環境が切断されたときに失敗することが多い。 BRiDGEは,ロボットやオブジェクトの構成に木をインクリメンタルに構築して,実現可能な計画を計算する,サンプリングベースのプランナである。 本手法は確率論的に完全であることを示すとともに,その有効性を検証した広範な数値実験およびハードウェア実験を行う。
  論文  参考訳（メタデータ） (2026-01-06T01:36:09Z)
• Multi-robot Path Planning and Scheduling via Model Predictive Optimal Transport (MPC-OT) [5.013737017051114]
  我々は、デッドロック障害のある共通空間において、100万ドルのロボットが100万ドルの目標にナビゲートされる仕組みを検討する。 最適計画に基づく戦略を導出し、重複しない軌道を保証する。 本研究では, 時空間構造を最適輸送へ統合し, テクトitremodelplans と textitremodelplans の助けを借りて予測できることを示す。
  論文  参考訳（メタデータ） (2025-08-28T20:47:33Z)
• RoomCraft: Controllable and Complete 3D Indoor Scene Generation [51.19602078504066]
  RoomCraftは、実際の画像、スケッチ、テキスト記述をコヒーレントな3D屋内シーンに変換するマルチステージパイプラインである。 このアプローチでは,シーン生成パイプラインと制約駆動最適化フレームワークを組み合わせる。 RoomCraftは、リアルでセマンティックなコヒーレントで視覚的に魅力的な部屋レイアウトを生成する上で、既存の方法よりもはるかに優れています。
  論文  参考訳（メタデータ） (2025-06-27T15:03:17Z)
• Efficient Masked AutoEncoder for Video Object Counting and A Large-Scale Benchmark [52.339936954958034]
  前景の動的不均衡は、ビデオオブジェクトのカウントにおいて大きな課題である。 本稿では,密度埋め込み型効率的なマスドオートエンコーダカウント(E-MAC)フレームワークを提案する。 さらに,渡り鳥保護のための自然シナリオにおいて,まず,大規模なビデオバードカウントデータセットであるDroneBirdを提案する。
  論文  参考訳（メタデータ） (2024-11-20T06:08:21Z)
• BitStack: Any-Size Compression of Large Language Models in Variable Memory Environments [53.71158537264695]
  大規模言語モデル(LLM)は、多くのアプリケーションに革命をもたらしたが、ローカルデバイスにおけるメモリ制限により、その展開は依然として困難である。 textbfBitStackは,メモリ使用量とモデル性能のトレードオフを可能にする,新しいトレーニング不要な重み圧縮手法である。
  論文  参考訳（メタデータ） (2024-10-31T13:26:11Z)
• Search-Based Path Planning in Interactive Environments 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計画手法であるPAMO*を開発し,その2つの問題を解決する。 結果から,PAMO*は最大400個のオブジェクトを持つ乱雑な写像において,1秒以内に最適解を見つけることができることがわかった。
  論文  参考訳（メタデータ） (2024-10-24T00:02:58Z)
• 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)
• Mesa: A Memory-saving Training Framework for Transformers [58.78933015299703]
  本稿では,トランスフォーマーのためのメモリ節約トレーニングフレームワークであるMesaを紹介する。 Mesaは、フォワードパス中に正確なアクティベーションを使用し、低精度のアクティベーションを格納することで、トレーニング中のメモリ消費を減らす。 ImageNet、CIFAR-100、ADE20Kの実験は、Mesaがトレーニング中にメモリフットプリントの半分を削減できることを示した。
  論文  参考訳（メタデータ） (2021-11-22T11:23:01Z)
• Efficient and High-quality Prehensile Rearrangement in Cluttered and Confined Spaces [16.745331954312775]
  この研究は、タスク完了にそのような相互作用が不可欠であり、再配置計画における最先端の結果を拡張する問題に焦点を当てる。 モノトンインスタンスの一般的な制約の下で、各オブジェクトを最大1回移動させることで解決できる、新しい効率的で完全な解法を提案する。 新しいモノトンソルバはグローバルプランナーと統合され、高品質なソリューションで非モノトンインスタンスを高速に解決する。
  論文  参考訳（メタデータ） (2021-10-06T14:42:21Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)
• Human-like Planning for Reaching in Cluttered Environments [11.55532557594561]
  人間は、散らかった環境でオブジェクトに手を伸ばすのに驚くほど適しています。 我々は、人間の高度な操作計画を特定し、これらのスキルをロボットプランナーに転送する。 人間のようなプランナーは、最先端の標準軌道最適化アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-28T14:28:50Z)
• Scalable and Probabilistically Complete Planning for Robotic Spatial Extrusion [0.755972004983746]
  本稿では,ロボット空間押出計画の厳密な形式化について述べる。 これらの制約は相反することが多いが、剛性認識によって誘導される強欲な状態空間探索は、両方の制約のバランスをとることができることを示す。
  論文  参考訳（メタデータ） (2020-02-06T17:05:55Z)

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。