論文の概要: POrTAL: Plan-Orchestrated Tree Assembly for Lookahead

• arxiv url: http://arxiv.org/abs/2512.06002v1
• Date: Tue, 02 Dec 2025 03:11:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.139102
• Title: POrTAL: Plan-Orchestrated Tree Assembly for Lookahead
• Title（参考訳）: POrTAL: Lookaheadのための計画立案ツリーアセンブリ
• Authors: Evan Conway, David Porfirio, David Chan, Mark Roberts, Laura M. Hiatt,
• Abstract要約: Plan-Orchestrated Tree Assembly for Lookahead (POrTAL)は軽量で確率的な計画アルゴリズムである。 ステップ数でこれらのベースラインを上回ったソリューションに、POrTALが迅速に到達できることを示します。
• 参考スコア（独自算出の注目度）: 1.5636956410112013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assigning tasks to robots often involves supplying the robot with an overarching goal, such as through natural language, and then relying on the robot to uncover and execute a plan to achieve that goal. In many settings common to human-robot interaction, however, the world is only partially observable to the robot, requiring that it create plans under uncertainty. Although many probabilistic planning algorithms exist for this purpose, these algorithms can be inefficient if executed with the robot's limited computational resources, or may require more steps than expected to achieve the goal. We thereby created a new, lightweight, probabilistic planning algorithm, Plan-Orchestrated Tree Assembly for Lookahead (POrTAL), that combines the strengths of two baseline planning algorithms, FF-Replan and POMCP. In a series of case studies, we demonstrate POrTAL's ability to quickly arrive at solutions that outperform these baselines in terms of number of steps. We additionally demonstrate how POrTAL performs under varying temporal constraints.
• Abstract（参考訳）: ロボットにタスクを割り当てるには、自然言語などの包括的な目標をロボットに供給し、その目標を達成するための計画を明らかにし実行するためにロボットに依存することがよくあります。 しかし、人間とロボットの相互作用に共通する多くの環境では、世界はロボットに部分的にしか観察できないため、不確実性の下で計画を作成する必要がある。 この目的のために多くの確率的計画アルゴリズムが存在するが、これらのアルゴリズムは、ロボットの限られた計算資源で実行される場合や、目標を達成するために予想以上に多くのステップを必要とする場合、非効率である。 そこで我々は,新しい,軽量で確率的計画アルゴリズムであるPlan-Orchestrated Tree Assembly for Lookahead (POrTAL)を開発した。 一連のケーススタディにおいて、ステップ数でこれらのベースラインを上回る解にすぐに到達できるPOrTALの能力を実証する。 また、時間的制約の異なるPOrTALの動作を実証する。

関連論文リスト

• Efficient Robotic Policy Learning via Latent Space Backward Planning [17.770562202624962]
  現行のロボット計画手法は、しばしば、全画素の詳細を持つ多フレーム画像の予測に頼っている。 本稿では,その課題を最終目標とするLBP(Latent Space Backward Planning scheme)を提案する。 LBPは既存の細粒度・前方計画法よりも優れた性能を示し,SOTA性能を実現している。
  論文  参考訳（メタデータ） (2025-05-11T06:13:51Z)
• Online Concurrent Multi-Robot Coverage Path Planning [5.801044612920816]
  地平線では、経路計画と経路実行がインターリーブであり、経路のないロボットが経路計画を行う場合、優れた経路を持つロボットは実行しない。 地平線をベースとしない集中型アルゴリズムを提案する。 事前に割り当てられた目標に到達したロボットのサブセットに対して、いつでもパスを計画し、残りは傑出したパスを実行する。
  論文  参考訳（メタデータ） (2024-03-15T16:51:30Z)
• Probabilistically Correct Language-based Multi-Robot Planning using Conformal Prediction [11.614036749291216]
  本稿では,S-ATLAS for Safe plAnning for Teams of Language-instructed Agentsを提案する。 提案したプランナは,計画実行が成功すると仮定して,ユーザ指定のタスク成功率を達成可能であることを示す。 我々は,本手法が計算効率が高く,ヘルプレートが低いことを示す関連研究との比較実験を行った。
  論文  参考訳（メタデータ） (2024-02-23T15:02:44Z)
• Achieving mouse-level strategic evasion performance using real-time computational planning [59.60094442546867]
  計画とは、脳が想像し、予測可能な未来を成立させる特別な能力である。 我々は,動物の生態が空間計画の価値をどのように支配するかという研究に基づいて,より効率的な生物学的に着想を得た計画アルゴリズムであるTLPPOを開発した。 TLPPOを用いたリアルタイムエージェントの性能とライブマウスの性能を比較し,ロボット捕食者を避けることを課題とする。
  論文  参考訳（メタデータ） (2022-11-04T18:34:36Z)
• ProgPrompt: Generating Situated Robot Task Plans using Large Language Models [68.57918965060787]
  大規模言語モデル(LLM)は、タスク計画中の潜在的な次のアクションを評価するために使用することができる。 本稿では, プログラム型LCMプロンプト構造を用いて, 配置環境間での計画生成機能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T20:29:49Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• NeRP: Neural Rearrangement Planning for Unknown Objects [49.191284597526]
  我々は,多段階のニューラルオブジェクト再構成計画のためのディープラーニングに基づくアプローチであるNeRP(Neural Rearrangement Planning)を提案する。 NeRPは、シミュレーションデータに基づいてトレーニングされ、現実世界に一般化される、これまで見たことのないオブジェクトで動作する。
  論文  参考訳（メタデータ） (2021-06-02T17:56:27Z)
• iCORPP: Interleaved Commonsense Reasoning and Probabilistic Planning on Robots [46.13039152809055]
  我々はiCORPPと呼ばれる新しいアルゴリズムを提案し、現在の世界状態を同時に推定し、世界ダイナミクスの推論を行い、タスク指向のコントローラを構築する。 結果は、競合するベースラインと比較して、スケーラビリティ、効率、適応性が大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2020-04-18T17:46:59Z)

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。