論文の概要: Learning to Build: Autonomous Robotic Assembly of Stable Structures Without Predefined Plans

• arxiv url: http://arxiv.org/abs/2602.23934v1
• Date: Fri, 27 Feb 2026 11:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.391842
• Title: Learning to Build: Autonomous Robotic Assembly of Stable Structures Without Predefined Plans
• Title（参考訳）: 構築を学ぶ: 事前定義された計画なしで安定した構造物を自律的に組み立てる
• Authors: Jingwen Wang, Johannes Kirschner, Paul Rolland, Luis Salamanca, Stefana Parascho,
• Abstract要約: 固定された計画に従う代わりに、建設作業は目標と障害物によって定義される。 後継機能を備えた深層Q-ラーニングを用いて訓練された強化学習(RL)ポリシーが意思決定コンポーネントとして機能する。
• 参考スコア（独自算出の注目度）: 10.231077693993736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel autonomous robotic assembly framework for constructing stable structures without relying on predefined architectural blueprints. Instead of following fixed plans, construction tasks are defined through targets and obstacles, allowing the system to adapt more flexibly to environmental uncertainty and variations during the building process. A reinforcement learning (RL) policy, trained using deep Q-learning with successor features, serves as the decision-making component. As a proof of concept, we evaluate the approach on a benchmark of 15 2D robotic assembly tasks of discrete block construction. Experiments using a real-world closed-loop robotic setup demonstrate the feasibility of the method and its ability to handle construction noise. The results suggest that our framework offers a promising direction for more adaptable and robust robotic construction in real-world environments.
• Abstract（参考訳）: 本稿では, 既定設計図に頼らずに, 安定構造を構築するための自律型ロボット組立フレームワークを提案する。 固定された計画に従う代わりに、建設作業は目標と障害物によって定義され、システムは建築過程における環境の不確実性や変動に柔軟に対応できる。 後継機能を備えた深層Q-ラーニングを用いて訓練された強化学習(RL)ポリシーが意思決定コンポーネントとして機能する。 概念実証として、離散ブロック構成の15の2次元ロボット組立タスクのベンチマークに対するアプローチを評価する。 実世界のクローズドループロボットを用いた実験は、この手法の実現可能性とその建設騒音の処理能力を示す。 以上の結果から,本フレームワークは実環境において,より適応的で堅牢なロボット構築を実現する上で有望な方向性を示すことが示唆された。

関連論文リスト

• Heterogeneous Robot Collaboration in Unstructured Environments with Grounded Generative Intelligence [54.91177026001217]
  大規模言語モデル(LLM)対応のチーム化手法は、よく構造化された既知の環境を前提とするのが一般的である。 異種ロボットチームにおけるLCMの推論能力を基盤として,これらの制約に対処するフレームワークであるSPINE-HTを提案する。 我々のフレームワークは、従来のLLM対応の不均一なチームリング手法と比較して、ほぼ2倍の成功率を達成する。
  論文  参考訳（メタデータ） (2025-10-30T18:24:38Z)
• Holistic Construction Automation with Modular Robots: From High-Level Task Specification to Execution [7.012962572096341]
  建設現場におけるロボットの自動化は、常に変化する環境、ロボット専門家の不足、そしてロボット工学と建設の実践を橋渡しする標準フレームワークの欠如によって困難である。 本研究は, ロボット形態の最適化, 移動モジュール再構成ロボットを用いたミッション実行のための総合的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-12-30T11:11:13Z)
• AssemblyComplete: 3D Combinatorial Construction with Deep Reinforcement Learning [4.3507834596906125]
  ロボット工学における重要なゴールは、ロボットに現実世界の協調作業、特に自動組み立てに適応するように教えることである。 本稿では, ユニットプリミティブ(レゴブロック)を用いて実演した3次元組立工法を紹介する。 本研究では,ロボットに不完全な組立の目的を理解し,組立を完了するための建設方針を学ぶための2部構成の深層強化学習(DRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-20T18:51:17Z)
• Body Transformer: Leveraging Robot Embodiment for Policy Learning [51.531793239586165]
  ボディートランスフォーマー(ボディートランスフォーマー、Body Transformer、BoT)は、学習プロセスを導く誘導バイアスを提供することで、ロボットの体現性を活用するアーキテクチャである。 我々はロボットの体をセンサーとアクチュエータのグラフとして表現し、建築全体を通してプール情報にマスキングされた注意を頼りにしている。 結果として得られるアーキテクチャは、バニラ変換器と古典的な多層パーセプトロンを、タスク完了、スケーリング特性、計算効率の点で上回る。
  論文  参考訳（メタデータ） (2024-08-12T17:31:28Z)
• Foundation Models for Autonomous Robots in Unstructured Environments [15.517532442044962]
  この研究は、ロボットと非構造環境の2つの分野における基礎モデルの応用を体系的にレビューした。 LLMの言語能力は、人間とロボットの相互作用の知覚を改善するために、他の特徴よりも利用されてきた。 LLMの使用は、プロジェクトの管理と建設における安全性、災害管理における自然災害検出により多くの応用を実証した。
  論文  参考訳（メタデータ） (2024-07-19T13:26:52Z)
• Robot-Enabled Construction Assembly with Automated Sequence Planning based on ChatGPT: RoboGPT [3.4107729935810944]
  本稿では,ChatGPTの高度な推論機能を活用した新しいシステムであるRoboGPTを紹介する。 提案システムはChatGPTを構築シーケンス計画に適用し,その実現可能性と有効性を示す。 その結果,RoboGPTを駆動するロボットは複雑な建設作業に対処し,飛行中の変化に適応できることがわかった。
  論文  参考訳（メタデータ） (2023-04-21T15:04:41Z)
• Policy Architectures for Compositional Generalization in Control [71.61675703776628]
  本稿では,タスクにおけるエンティティベースの構成構造をモデル化するためのフレームワークを提案する。 私たちのポリシーは柔軟で、アクションプリミティブを必要とせずにエンドツーエンドでトレーニングできます。
  論文  参考訳（メタデータ） (2022-03-10T06:44:24Z)
• Graph-based Reinforcement Learning meets Mixed Integer Programs: An application to 3D robot assembly discovery [34.25379651790627]
  我々は、テトリスのような構造ブロックとロボットマニピュレータを用いて、スクラッチから完全に定義済みの任意のターゲット構造を構築するという課題に対処する。 我々の新しい階層的アプローチは、タスク全体を相互に利益をもたらす3つの実行可能なレベルに効率的に分解することを目的としています。
  論文  参考訳（メタデータ） (2022-03-08T14:44:51Z)
• Learning to Design and Construct Bridge without Blueprint [20.524052738716435]
  ブループリントを使わずに橋を設計・構築する,新しい難易度組立作業について検討する。 この作業では,まず任意に広い崖の橋梁構造を設計し,そのブロックを確実に操作し,提案した設計に従って安定な橋梁を構築する必要がある。 高レベルでは、深層強化学習とカリキュラム学習を用いて、物理シミュレータでブリッジブループリントポリシーを学習する。 低レベル制御のために、実世界の橋梁構築のための訓練された青写真ポリシーと直接結合できる実ロボットモーション制御のためのモーションプランニングベースのポリシーを実装した。
  論文  参考訳（メタデータ） (2021-08-05T08:17:22Z)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)
• Integrated Benchmarking and Design for Reproducible and Accessible Evaluation of Robotic Agents [61.36681529571202]
  本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。 このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。 本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
  論文  参考訳（メタデータ） (2020-09-09T15:31:29Z)

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。