論文の概要: ALORE: Autonomous Large-Object Rearrangement with a Legged Manipulator

• arxiv url: http://arxiv.org/abs/2602.04214v1
• Date: Wed, 04 Feb 2026 04:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.15906
• Title: ALORE: Autonomous Large-Object Rearrangement with a Legged Manipulator
• Title（参考訳）: ALORE:Legged Manipulatorを搭載した自律型大規模物体再構成
• Authors: Zhihai Bi, Yushan Zhang, Kai Chen, Guoyang Zhao, Yulin Li, Jun Ma,
• Abstract要約: 足関節マニピュレータのための自律型大物体再構成システムであるALOREについて述べる。 提案システムの特徴は, (i) 多目的環境学習のための階層的強化学習パイプライン, (ii) 統合された相互作用構成表現とオブジェクト速度推定器, (iii) タスク・アンド・モーション・プランニング・フレームワークの3つである。 このシステムは、単一障害なしに、32の椅子を40分近く並べ替える8つのループを成功させ、約40mのルートで長距離の自律的な配置を実行する。
• 参考スコア（独自算出の注目度）: 18.47430753204664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Endowing robots with the ability to rearrange various large and heavy objects, such as furniture, can substantially alleviate human workload. However, this task is extremely challenging due to the need to interact with diverse objects and efficiently rearrange multiple objects in complex environments while ensuring collision-free loco-manipulation. In this work, we present ALORE, an autonomous large-object rearrangement system for a legged manipulator that can rearrange various large objects across diverse scenarios. The proposed system is characterized by three main features: (i) a hierarchical reinforcement learning training pipeline for multi-object environment learning, where a high-level object velocity controller is trained on top of a low-level whole-body controller to achieve efficient and stable joint learning across multiple objects; (ii) two key modules, a unified interaction configuration representation and an object velocity estimator, that allow a single policy to regulate planar velocity of diverse objects accurately; and (iii) a task-and-motion planning framework that jointly optimizes object visitation order and object-to-target assignment, improving task efficiency while enabling online replanning. Comparisons against strong baselines show consistent superiority in policy generalization, object-velocity tracking accuracy, and multi-object rearrangement efficiency. Key modules are systematically evaluated, and extensive simulations and real-world experiments are conducted to validate the robustness and effectiveness of the entire system, which successfully completes 8 continuous loops to rearrange 32 chairs over nearly 40 minutes without a single failure, and executes long-distance autonomous rearrangement over an approximately 40 m route. The open-source packages are available at https://zhihaibi.github.io/Alore/.
• Abstract（参考訳）: 家具などの様々な大型で重い物体を並べ替えることのできるロボットは、人間の作業負荷を大幅に軽減することができる。 しかし、この課題は、衝突のないロコ操作を確保しつつ、多様な物体と相互作用し、複雑な環境下で複数の物体を効率的に再配置する必要があるため、極めて困難である。 本研究では,多種多様なシナリオにまたがって,多種多様な大物体を並べ替えることができる脚付きマニピュレータのための自律型大物体再構成システムであるALOREを提案する。 提案システムの特徴は3つある。 一 マルチオブジェクト環境学習のための階層的強化学習訓練パイプラインで、低レベル全体制御器の上に高レベル物体速度制御器を訓練し、複数のオブジェクトをまたいだ効率的で安定した共同学習を実現する。 (ii)多種多様な物体の平面速度を正確に制御できる2つの鍵モジュール、統一的相互作用構成表現と物体速度推定器 三 オブジェクトの訪問順序と目標の割り当てを協調的に最適化し、オンライン再計画を可能にしながらタスク効率を向上するタスク・アンド・モーション・プランニング・フレームワーク。 強い基準線との比較は、政策一般化、物体速度追跡精度、多目的再配置効率において一貫した優位性を示す。 重要なモジュールを体系的に評価し、システム全体の堅牢性と有効性を検証するために、広範囲なシミュレーションと実世界の実験を行い、単一の障害なしに、32の椅子を40分近くにわたって並べ替える8つの連続ループを成功させ、約40mの経路で長距離自律的な再配置を実行する。 オープンソースパッケージはhttps://zhihaibi.github.io/Alore/で入手できる。

関連論文リスト

• 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)
• Modular Neural Network Policies for Learning In-Flight Object Catching with a Robot Hand-Arm System [55.94648383147838]
  本稿では,ロボットハンドアームシステムによる飛行物体の捕獲方法の学習を可能にするモジュラーフレームワークを提案する。 本フレームワークは,物体の軌跡予測を学習するオブジェクト状態推定器,(ii)捕捉対象のポーズのスコアとランク付けを学ぶキャッチポーズ品質ネットワーク,(iii)ロボットハンドをキャッチ前ポーズに移動させるように訓練されたリーチ制御ポリシ,(iv)ソフトキャッチ動作を行うように訓練された把握制御ポリシの5つのコアモジュールから構成される。 各モジュールと統合システムのシミュレーションにおいて、我々のフレームワークを広範囲に評価し、飛行における高い成功率を示す。
  論文  参考訳（メタデータ） (2023-12-21T16:20:12Z)
• MANER: Multi-Agent Neural Rearrangement Planning of Objects in Cluttered Environments [8.15681999722805]
  本稿では,マルチエージェントオブジェクトアレンジメント計画のための学習ベースのフレームワークを提案する。 複雑な環境におけるタスクシークエンシングとパス計画の課題に対処する。
  論文  参考訳（メタデータ） (2023-06-10T23:53:28Z)
• Efficient and Robust Training of Dense Object Nets for Multi-Object Robot Manipulation [8.321536457963655]
  我々はDense Object Nets(DON)の堅牢で効率的なトレーニングのためのフレームワークを提案する。 本研究は,多目的データを用いた学習に重点を置いている。 実世界のロボットによる把握作業において,提案手法の頑健さと精度を実証する。
  論文  参考訳（メタデータ） (2022-06-24T08:24:42Z)
• Scalable Video Object Segmentation with Identification Mechanism [125.4229430216776]
  本稿では,半教師付きビデオオブジェクト(VOS)のスケーラブルで効果的なマルチオブジェクトモデリングを実現する上での課題について検討する。 AOT(Associating Objects with Transformers)とAOST(Associating Objects with Scalable Transformers)の2つの革新的なアプローチを提案する。 当社のアプローチは最先端の競合に勝って,6つのベンチマークすべてにおいて,例外的な効率性とスケーラビリティを一貫して示しています。
  論文  参考訳（メタデータ） (2022-03-22T03:33:27Z)
• Associating Objects with Transformers for Video Object Segmentation [74.51719591192787]
  本稿では,複数のオブジェクトを一様に一致・復号化するためのAssociating Objects with Transformers (AOT)アプローチを提案する。 AOTは複数のターゲットを同一の高次元埋め込み空間に関連付けるための識別機構を用いる。 第3回大規模ビデオオブジェクトチャレンジでは1位にランクインした。
  論文  参考訳（メタデータ） (2021-06-04T17:59:57Z)
• Learning to Compose Hierarchical Object-Centric Controllers for Robotic Manipulation [26.24940293693809]
  本稿では、強化学習を用いて、操作タスクのための階層型オブジェクト中心コントローラを構築することを提案する。 シミュレーションと実世界の双方での実験では、提案手法がサンプル効率の向上、ゼロショットの一般化、微調整なしでのシミュレーションと現実の移動にどのように寄与するかが示されている。
  論文  参考訳（メタデータ） (2020-11-09T18:38:29Z)
• Reinforcement Learning for Sparse-Reward Object-Interaction Tasks in a First-person Simulated 3D Environment [73.9469267445146]
  高忠実な3Dシミュレーション環境において、AI2Thorのような一対一のオブジェクトインタラクションタスクは、強化学習エージェントに顕著なサンプル効率の課題をもたらす。 補助的なタスクとして注意的オブジェクトモデルを学ぶことで、監督なしに、ゼロからオブジェクトインタラクションタスクを学習できることが示される。
  論文  参考訳（メタデータ） (2020-10-28T19:27:26Z)
• Distributed Reinforcement Learning of Targeted Grasping with Active Vision for Mobile Manipulators [4.317864702902075]
  移動体マニピュレータのための最初のRLベースのシステムを提案する。これは、(a)対象対象物に対する目標把握の一般化を実現し、(b)隠蔽対象物による乱れたシーンの複雑な把握戦略を学習し、(c)可動式手首カメラでアクティブなビジョンを実行し、オブジェクトの発見をより良くする。 シミュレーション環境でシステムのトレーニングと評価を行い,性能向上,動作解析,実環境への移動といった重要なコンポーネントを特定した。
  論文  参考訳（メタデータ） (2020-07-16T02:47:48Z)

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。