論文の概要: High-Performance Dual-Arm Task and Motion Planning for Tabletop Rearrangement

• arxiv url: http://arxiv.org/abs/2512.08206v2
• Date: Sat, 28 Feb 2026 03:49:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.219866
• Title: High-Performance Dual-Arm Task and Motion Planning for Tabletop Rearrangement
• Title（参考訳）: テーブルトップ再配置のための高性能デュアルアームタスクと動作計画
• Authors: Duo Zhang, Junshan Huang, Jingjin Yu,
• Abstract要約: 2本のフィンガーグリップを装備した2つのロボットアームは、スタートとゴールの設定が強く絡み合っている再配置オブジェクトに近接して作業する必要がある。 テーブルトップ再配置のためのタスクおよび動作計画フレームワークであるSynchronous Dual-Arm Rearrangement Planner (SDAR)を提案する。 SDARは複雑で非単調で長期のテーブルトップ再構成タスクにおいて100%の成功率を示す。
• 参考スコア（独自算出の注目度）: 17.516999633167522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Synchronous Dual-Arm Rearrangement Planner (SDAR), a task and motion planning (TAMP) framework for tabletop rearrangement, where two robot arms equipped with 2-finger grippers must work together in close proximity to rearrange objects whose start and goal configurations are strongly entangled. To tackle such challenges, SDAR tightly knit together its dependency-driven task planner (SDAR-T) and synchronous dual-arm motion planner (SDAR-M), to intelligently sift through a large number of possible task and motion plans. Specifically, SDAR-T applies a simple yet effective strategy to decompose the global object dependency graph induced by the rearrangement task, to produce more optimal dual-arm task plans than solutions derived from optimal task plans for a single arm. Leveraging state-of-the-art GPU SIMD-based motion planning tools, SDAR-M employs a layered motion planning strategy to sift through many task plans for the best synchronous dual-arm motion plan while ensuring high levels of success rate. Comprehensive evaluation demonstrates that SDAR delivers a 100% success rate in solving complex, non-monotone, long-horizon tabletop rearrangement tasks with solution quality far exceeding the previous state-of-the-art. Experiments on two UR-5e arms further confirm SDAR directly and reliably transfers to robot hardware. Source code and supplementary materials are available at https://github.com/arc-l/dual-arm.
• Abstract（参考訳）: テーブルトップ再配置のためのタスク・アンド・モーション・プランニング(TAMP)フレームワークであるSynchronous Dual-Arm Rearrangement Planner(SDAR)を提案する。 このような課題に対処するため、SDARは依存性駆動型タスクプランナー(SDAR-T)と同期型デュアルアームモーションプランナー(SDAR-M)を緊密に編み込み、多数のタスクとモーションプランをインテリジェントに行う。 具体的には、SDAR-Tは、再配置タスクによって誘導されるグローバルオブジェクト依存グラフを分解し、単一アームの最適なタスク計画から導出されるソリューションよりも、より最適なデュアルアームタスク計画を生成するための、単純かつ効果的な戦略を適用している。 最先端のGPU SIMDベースのモーションプランニングツールを活用して、SDAR-Mは階層化されたモーションプランニング戦略を採用し、高い成功率を確保しながら、最高の同期デュアルアームモーションプランのための多くのタスクプランを精査する。 総合的な評価は、SDARが複雑で単調で長い水平なテーブルトップ配置タスクを、従来の最先端よりもはるかに高いソリューション品質で解決する上で、100%の成功率を提供することを示している。 2つのUR-5eアームの実験は、SDARを直接かつ確実にロボットハードウェアに転送することを確認した。 ソースコードと補足資料はhttps://github.com/arc-l/dual-arm.comで入手できる。

関連論文リスト

• TP-MDDN: Task-Preferenced Multi-Demand-Driven Navigation with Autonomous Decision-Making [90.18833928208333]
  Task-Preferenced Multi-Demand-Driven Navigation (TP-MDDN)は、複数のサブオンデマンドと明示的なタスク嗜好を含む長距離ナビゲーションのための新しいベンチマークである。 空間記憶のために,3次元点雲蓄積と2次元意味マッピングを組み合わせたMASMapを設計した。 本手法は,認識精度とナビゲーションの堅牢性の両方において,最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-21T13:12:13Z)
• OmniEVA: Embodied Versatile Planner via Task-Adaptive 3D-Grounded and Embodiment-aware Reasoning [50.45036742963495]
  我々は,先進的な具体的推論とタスクプランニングを可能にする,多元的多元的プランナーであるOmniEVAを紹介する。 Task-Adaptive 3D Groundingメカニズムは、様々な実施タスクに対してコンテキスト対応の3Dグラウンドを可能にする。 Embodiment-Aware Reasoningフレームワークは、タスクの目標と実施制約を推論ループに組み込む。
  論文  参考訳（メタデータ） (2025-09-11T10:32:22Z)
• RoboPARA: Dual-Arm Robot Planning with Parallel Allocation and Recomposition Across Tasks [22.2075114201037]
  デュアルアームタスク並列化計画のための新しい大規模言語モデル(LLM)駆動フレームワークを提案する。 RoboPARAは、依存グラフベースのプランニング候補生成とグラフリトラバーサルベースのデュアルアーム並列プランニングという2段階のプロセスを採用している。 X-DAPTデータセットは、様々なシナリオと難易度でデュアルアームタスク並列性を評価するために特別に設計された最初のデータセットである。
  論文  参考訳（メタデータ） (2025-06-07T06:46:24Z)
• REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
  本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。 ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
  論文  参考訳（メタデータ） (2025-03-28T03:51:40Z)
• DAG-Plan: Generating Directed Acyclic Dependency Graphs for Dual-Arm Cooperative Planning [37.38735065914983]
  DAG-Planは、デュアルアームロボット用に設計された構造化タスク計画フレームワークである。 複雑なタスクを、有向非巡回グラフ内のノードとして表される実行可能なサブタスクに分解する。 リアルタイム環境観測に基づいて、これらのサブタスクを適切なアームに動的に割り当てる。
  論文  参考訳（メタデータ） (2024-06-14T11:58:51Z)
• EmbodiedGPT: Vision-Language Pre-Training via Embodied Chain of Thought [95.37585041654535]
  Embodied AIは、ロボットが物理的な環境で長時間のタスクを遂行するためのアクションシーケンスを計画し、実行することができる。 本稿では,EmbodiedGPTを紹介する。EmbodiedGPTは,エンボディドAIのためのエンドツーエンドのマルチモーダル基盤モデルである。 実験は、実施計画、実施制御、視覚的キャプション、視覚的質問応答など、実施されたタスクに対するEmbodiedGPTの有効性を示す。
  論文  参考訳（メタデータ） (2023-05-24T11:04:30Z)
• Toward Efficient Task Planning for Dual-Arm Tabletop Object Rearrangement [12.928188950810043]
  非単調な再配置タスクでは、複雑なオブジェクトオブジェクトの依存関係が存在し、インスタンスを解決するために複数のオブジェクトを移動する必要があります。 本研究では,2つのアーム間で適切に分配可能なピック・n・プレース・シーケンスをスケジューリングするための効率的なタスク計画アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-07-17T05:11:14Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。