論文の概要: ReloPush-BOSS: Optimization-guided Nonmonotone Rearrangement Planning for a Car-like Robot Pusher

• arxiv url: http://arxiv.org/abs/2601.22289v1
• Date: Thu, 29 Jan 2026 20:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.023797
• Title: ReloPush-BOSS: Optimization-guided Nonmonotone Rearrangement Planning for a Car-like Robot Pusher
• Title（参考訳）: ReloPush-BOSS:自動車用ロボット推進機の最適化誘導非単調再配置計画
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0828616610785522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We focus on multi-object rearrangement planning in densely cluttered environments using a car-like robot pusher. The combination of kinematic, geometric and physics constraints underlying this domain results in challenging nonmonotone problem instances which demand breaking each manipulation action into multiple parts to achieve a desired object rearrangement. Prior work tackles such instances by planning prerelocations, temporary object displacements that enable constraint satisfaction, but deciding where to prerelocate remains difficult due to local minima leading to infeasible or high-cost paths. Our key insight is that these minima can be avoided by steering a prerelocation optimization toward low-cost regions informed by Dubins path classification. These optimized prerelocations are integrated into an object traversability graph that encodes kinematic, geometric, and pushing constraints. Searching this graph in a depth-first fashion results in efficient, feasible rearrangement sequences. Across a series of densely cluttered scenarios with up to 13 objects, our framework, ReloPush-BOSS, exhibits consistently highest success rates and shortest pushing paths compared to state-of-the-art baselines. Hardware experiments on a 1/10 car-like pusher demonstrate the robustness of our approach. Code and footage from our experiments can be found at: https://fluentrobotics.com/relopushboss.
• Abstract（参考訳）: 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。 この領域の基礎となる運動学的、幾何学的、物理学的な制約の組み合わせは、操作アクションを複数の部分に分割して所望のオブジェクト再配置を実現することを要求する非単調な問題インスタンスに挑戦する結果をもたらす。 事前の作業は、事前配置、制約満足度を可能にする一時的な物体変位を計画することで、そのような事例に取り組むが、局所的なミニマのためにどこに再配置するかを決めることは、実現不可能または高コストの経路につながる。 我々の重要な洞察は、これらのミニマは、Dubinsパスの分類によって通知される低コストな領域への事前配置最適化を操ることで回避できるということである。 これらの最適化された事前配置は、運動学的、幾何学的、プッシュ的制約を符号化するオブジェクトトラバーサビリティグラフに統合される。 このグラフを深さ優先の方法で検索すると、効率的で実現可能な再配置シーケンスが得られる。 最大13のオブジェクトを持つ一連の密集したシナリオの中で、我々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。 1/10カーライクなプッシャーのハードウェア実験は、我々のアプローチの堅牢性を実証している。 私たちの実験のコードと映像は、https://fluentrobotics.com/relopushboss.comで確認できます。

関連論文リスト

• NeurRAFT: Robot Motion Planning via Anchor-Level Flow Matching with Clearance-Aware Preference Tuning [5.973392871392725]
  我々は,アンカーレベルのフローマッチングとクリアランスを考慮した選好チューニングに基づく生成計画フレームワークNeurRAFTを提案する。 実験は最先端のプランナーよりも大幅に改善され、実世界の実験ではフランカロボットへのゼロショット転送が実証された。
  論文  参考訳（メタデータ） (2026-08-25T03:31:24Z)
• Optimal Knock-Pick Planning for Tightly Packed Tabletop Blocks With Parallel Grippers [14.463441841507477]
  並列グリッパーピックがオブジェクトの周囲に十分なクリアランスを持たずに実現できない場合、密集したテーブルトップオブジェクトの再配置は困難である。 本研究は,平面テーブルトップグリッド位置のブロックを均一に配置した実用的なモチベーション設定における問題特性について検討する。 合成設定におけるグリッドサイズの増加とIsaacSimでの実験が報告されている。
  論文  参考訳（メタデータ） (2026-05-18T03:24:49Z)
• 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)
• 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)
• 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)
• Dynamic Buffers: Cost-Efficient Planning for Tabletop Rearrangement with Stacking [2.4140502941897544]
  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。
  論文  参考訳（メタデータ） (2025-09-26T18:36:40Z)
• IMPACT: Intelligent Motion Planning with Acceptable Contact Trajectories via Vision-Language Models [3.3871564496652335]
  IMPACTは、視覚言語モデルを使って環境意味論を推論する新しい動き計画フレームワークである。 3200以上のシミュレーションと200以上の実世界の実験の結果から,IMPACTは乱雑な環境下での効率的な接触リッチな動作計画を可能にすることが示唆された。
  論文  参考訳（メタデータ） (2025-03-13T07:09:00Z)
• 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)
• SMORE: Simultaneous Map and Object REconstruction [66.66729715211642]
  本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。 我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
  論文  参考訳（メタデータ） (2024-06-19T23:53:31Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• Vision-aided UAV navigation and dynamic obstacle avoidance using gradient-based B-spline trajectory optimization [7.874708385247353]
  本稿では,ロボットの車載視力を利用した勾配に基づくB-スプライン軌道最適化アルゴリズムを提案する。 提案手法は、まず円ベースのガイドポイントアルゴリズムを用いて、静的障害物を避けるためのコストと勾配を近似する。 視界検出された移動物体では, 動的衝突を防止するために, 反射・水平距離場が同時に使用される。
  論文  参考訳（メタデータ） (2022-09-15T02:12:30Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)

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。