論文の概要: Push-Placement: A Hybrid Approach Integrating Prehensile and Non-Prehensile Manipulation for Object Rearrangement

• arxiv url: http://arxiv.org/abs/2602.13849v1
• Date: Sat, 14 Feb 2026 18:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.466034
• Title: Push-Placement: A Hybrid Approach Integrating Prehensile and Non-Prehensile Manipulation for Object Rearrangement
• Title（参考訳）: Push-Placement: オブジェクト再構成のための精度と非精度のマニピュレーションを統合したハイブリッドアプローチ
• Authors: Majid Sadeghinejad, Arman Barghi, Hamed Hosseini, Mehdi Tale Masouleh, Ahmad Kalhor,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.4140502941897544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient tabletop rearrangement remains challenging due to collisions and the need for temporary buffering when target poses are obstructed. Prehensile pick-and-place provides precise control but often requires extra moves, whereas non-prehensile pushing can be more efficient but suffers from complex, imprecise dynamics. This paper proposes push-placement, a hybrid action primitive that uses the grasped object to displace obstructing items while being placed, thereby reducing explicit buffering. The method is integrated into a physics-in-the-loop Monte Carlo Tree Search (MCTS) planner and evaluated in the PyBullet simulator. Empirical results show push-placement reduces the manipulator travel cost by up to 11.12% versus a baseline MCTS planner and 8.56% versus dynamic stacking. These findings indicate that hybrid prehensile/non-prehensile action primitives can substantially improve efficiency in long-horizon rearrangement tasks.
• Abstract（参考訳）: テーブルトップの効率的な配置は、衝突や、ターゲットのポーズが妨げられるときの一時的なバッファリングの必要性により、依然として困難である。 プリエンシルピック・アンド・プレイス(Prehensile pick-and-place)は正確な制御を提供するが、しばしば余分な動きを必要とするが、非包括的プッシュはより効率的であるが複雑で不正確なダイナミクスに悩まされる。 そこで本稿では, 物体を握りながら乱れを解消するハイブリッド動作プリミティブであるプッシュプレースメントを提案し, 明示的なバッファリングを低減した。 この手法は、PyBulletシミュレータで評価されたMCTSプランナーに統合される。 実証実験の結果、プッシュプレースメントによりマニピュレータの走行コストはMCTSプランナーに比べて最大11.12%、動的積み重ねでは8.56%削減された。 これらの結果から,ハイブリッド・包括的・非包括的行動プリミティブは,長期的再配置作業の効率を大幅に向上させる可能性が示唆された。

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)
• 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)
• HPTune: Hierarchical Proactive Tuning for Collision-Free Model Predictive Control [55.015741360766945]
  本稿では,高速なチューニングと低速なチューニングを組み合わせた階層型プロアクティブチューニング(HPTune)フレームワークを提案する。 我々はHPTuneをドップラーLiDARと統合し、位置のみの測定とは別に障害物速度を提供し、運動予測を強化した。 安全でアジャイルな衝突回避戦略を定式化することにより,HPTuneは状況調整型動作計画を可能にする。
  論文  参考訳（メタデータ） (2026-01-29T07:15:39Z)
• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• 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)
• GTransPDM: A Graph-embedded Transformer with Positional Decoupling for Pedestrian Crossing Intention Prediction [5.647541727494757]
  GTransPDMは多モード特徴を利用した歩行者横断意図予測のために開発された。 PIEデータセットでは92%の精度で、JAADデータセットでは87%の精度で処理速度は0.05msである。
  論文  参考訳（メタデータ） (2024-09-30T12:02:17Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• DBA: Efficient Transformer with Dynamic Bilinear Low-Rank Attention [53.02648818164273]
  動的双線形低ランク注意(DBA)という,効率的かつ効果的な注意機構を提案する。 DBAは入力感度の動的射影行列によってシーケンス長を圧縮し、線形時間と空間の複雑さを実現する。 様々なシーケンス長条件のタスクに対する実験は、DBAが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T03:06:36Z)
• Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
  本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。 我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。 特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-17T03:52:17Z)

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。