論文の概要: Hierarchical Task Model Predictive Control for Sequential Mobile Manipulation Tasks

• arxiv url: http://arxiv.org/abs/2603.10232v1
• Date: Tue, 10 Mar 2026 21:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.182586
• Title: Hierarchical Task Model Predictive Control for Sequential Mobile Manipulation Tasks
• Title（参考訳）: 逐次移動操作タスクの階層的タスクモデル予測制御
• Authors: Xintong Du, Siqi Zhou, Angela P. Schoellig,
• Abstract要約: 本稿では,ロボットの冗長性を効果的に活用することにより,性能と反応性を改善したシーケンシャルタスクを完遂できる新しい階層型タスクモデル予測制御フレームワークを提案する。 典型的な単一タスクアーキテクチャと比較して,提案した階層型タスク制御アーキテクチャにより,ロボットはタスク空間の短い経路を横切ることができ,デリバリタスクのシーケンスの実行時の実行時間を2.3倍速くすることができる。
• 参考スコア（独自算出の注目度）: 10.635304654522814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile manipulators are envisioned to serve more complex roles in people's everyday lives. With recent breakthroughs in large language models, task planners have become better at translating human verbal instructions into a sequence of tasks. However, there is still a need for a decision-making algorithm that can seamlessly interface with the high-level task planner to carry out the sequence of tasks efficiently. In this work, building on the idea of nonlinear lexicographic optimization, we propose a novel Hierarchical-Task Model Predictive Control framework that is able to complete sequential tasks with improved performance and reactivity by effectively leveraging the robot's redundancy. Compared to the state-of-the-art task-prioritized inverse kinematic control method, our approach has improved hierarchical trajectory tracking performance by 42% on average when facing task changes, robot singularity and reference variations. Compared to a typical single-task architecture, our proposed hierarchical task control architecture enables the robot to traverse a shorter path in task space and achieves an execution time 2.3 times faster when executing a sequence of delivery tasks. We demonstrated the results with real-world experiments on a 9 degrees of freedom mobile manipulator.
• Abstract（参考訳）: 移動マニピュレータは、人々の日常生活においてより複雑な役割を果たすことが想定されている。 近年の大規模言語モデルにおけるブレークスルーにより、タスクプランナーは人間の言語命令を一連のタスクに翻訳する能力が向上した。 しかし、タスクの順序を効率的に実行するために、ハイレベルなタスクプランナとシームレスに対話できる意思決定アルゴリズムが必要である。 本研究では,非線形レキシコグラフィー最適化のアイデアに基づいて,ロボットの冗長性を効果的に活用し,性能と反応性を向上したシーケンシャルタスクを完遂できる新しい階層型タスクモデル予測制御フレームワークを提案する。 課題変化やロボットの特異性,基準変動などに直面した場合の階層的軌道追跡性能を平均42%向上させた。 典型的な単一タスクアーキテクチャと比較して,提案した階層型タスク制御アーキテクチャにより,ロボットはタスク空間の短い経路を横切ることができ,デリバリタスクのシーケンスの実行時の実行時間を2.3倍速くすることができる。 9自由度移動マニピュレータを用いた実世界の実験を行った。

関連論文リスト

• Perceptive Hierarchical-Task MPC for Sequential Mobile Manipulation in Unstructured Semi-Static Environments [10.890430040930971]
  連続的な移動操作は、一貫した動きの生成だけでなく、動作環境の変化に対するロボットの認識と適応性にも依存する。 本研究では,非構造的かつ変化する環境下での効率的な移動操作を実現するための,新しい知覚的階層型タスクモデル予測制御(HTMPC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-10T20:55:30Z)
• ToolSelf: Unifying Task Execution and Self-Reconfiguration via Tool-Driven Intrinsic Adaptation [60.25542764389203]
  LLM(Large Language Models)を利用したエージェントシステムは、複雑で長期のタスクに対処する上で、顕著な可能性を示している。 既存のアプローチでは、手動のオーケストレーションやランタイムベースのパッチを頼りにしており、一般化の貧弱さと最適化の断片化に悩まされることが多い。 ツール駆動の自己修正を可能にする新しいパラダイムであるToolSelfを提案する。
  論文  参考訳（メタデータ） (2026-02-08T09:27:18Z)
• Adaptive Bi-Level Multi-Robot Task Allocation and Learning under Uncertainty with Temporal Logic Constraints [5.329682333337303]
  この研究は、未知のロボット遷移モデルの下でのマルチロボット協調の問題に対処する。 本稿では,ハイレベルなタスクアロケーションと低レベルな分散ポリシ学習と実行を統合した双方向フレームワークを提案する。 提案アルゴリズムを理論的に検証し,課題割り当てが所望の確率閾値を高い信頼性で満たすことを示す。
  論文  参考訳（メタデータ） (2025-02-14T10:39:21Z)
• COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
  COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。 提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。 実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-23T15:53:41Z)
• Affordance-based Robot Manipulation with Flow Matching [7.51335919610328]
  本稿では,ロボット操作支援のためのフレームワークを提案する。 第1に,大規模モデルを下流シーンの空き時間理解タスクに効果的に適用し,第2に,視覚的空き時間モデルに基づいて,効果的にロボット行動軌跡を学習する。 我々は,教師付きフローマッチング手法を用いて,ロボットの行動軌跡を空き時間で案内する。
  論文  参考訳（メタデータ） (2024-09-02T09:11:28Z)
• SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation [62.58480650443393]
  Segment Anything (SAM) は、一般化可能なシーン理解とシーケンス模倣のための視覚境界モデルである。 我々は,単一パスにおけるアクションシーケンスの予測を可能にする,新しいマルチチャネルヒートマップを開発した。
  論文  参考訳（メタデータ） (2024-05-30T00:32:51Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)

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。