論文の概要: COAD: Constant-Time Planning for Continuous Goal Manipulation with Compressed Library and Online Adaptation

• arxiv url: http://arxiv.org/abs/2603.12488v1
• Date: Thu, 12 Mar 2026 22:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.739908
• Title: COAD: Constant-Time Planning for Continuous Goal Manipulation with Compressed Library and Online Adaptation
• Title（参考訳）: COAD: 圧縮ライブラリとオンライン適応による継続的ゴール操作のための定時計画
• Authors: Adil Shiyas, Zhuoyun Zhong, Constantinos Chamzas,
• Abstract要約: 連続的な目標-パラメータ化されたタスク空間を一定時間計画するフレームワークであるCOADを提案する。 COADは、すべてのリージョンのソリューションをオフラインで計画し、保存する代わりに、代表的ルート問題だけを解決して圧縮ライブラリを構築する。 シミュレーションおよび実世界における各種マニピュレータおよび環境の枠組みを評価し,COADが動作ライブラリの相当な圧縮を実現することを示す。
• 参考スコア（独自算出の注目度）: 1.2425910171551517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many robotic manipulation tasks, the robot repeatedly solves motion-planning problems that differ mainly in the location of the goal object and its associated obstacle, while the surrounding workspace remains fixed. Prior works have shown that leveraging experience and offline computation can accelerate repeated planning queries, but they lack guarantees of covering the continuous task space and require storing large libraries of solutions. In this work, we present COAD, a framework that provides constant-time planning over a continuous goal-parameterized task space. COAD discretizes the continuous task space into finitely many Task Coverage Regions. Instead of planning and storing solutions for every region offline, it constructs a compressed library by only solving representative root problems. Other problems are handled through fast adaptation from these root solutions. At query time, the system retrieves a root motion in constant time and adapts it to the desired goal using lightweight adaptation modules such as linear interpolation, Dynamic Movement Primitives, or simple trajectory optimization. We evaluate the framework on various manipulators and environments in simulation and the real world, showing that COAD achieves substantial compression of the motion library while maintaining high success rates and sub-millisecond-level queries, outperforming baseline methods in both efficiency and path quality. The source code is available at https://github.com/elpis-lab/CoAd.
• Abstract（参考訳）: 多くのロボット操作タスクにおいて、ロボットは、主に目標物体の位置と関連する障害物が異なる動き計画問題を繰り返し解決する一方、周囲のワークスペースは固定されている。 以前の研究は、経験とオフラインの計算を活用することで、繰り返し計画されるクエリを加速できることを示したが、連続的なタスク空間をカバーし、大規模なソリューションライブラリを保存するという保証は欠如している。 本研究では,目標パラメータ化された連続的なタスク空間を一定時間計画するフレームワークであるCOADを提案する。 COADは連続的なタスク空間を有限個のタスク被覆領域に離散化する。 各リージョンのソリューションをオフラインで計画し、保存する代わりに、代表的ルート問題のみを解決することで圧縮ライブラリを構築する。 他の問題はこれらの根解からの高速な適応によって処理される。 クエリ時には,線形補間,動的移動プリミティブ,単純な軌道最適化などの軽量適応モジュールを用いて,一定時間で根の動きを検索し,所望の目標に適応する。 シミュレーションおよび実世界における各種マニピュレータおよび環境に関するフレームワークの評価を行い,COADは高い成功率とサブミリ秒レベルのクエリを維持しつつ,動作ライブラリの相当な圧縮を実現し,効率とパス品質の両方においてベースライン手法より優れていることを示す。 ソースコードはhttps://github.com/elpis-lab/CoAdで入手できる。

関連論文リスト

• Graph-of-Constraints Model Predictive Control for Reactive Multi-agent Task and Motion Planning [14.664456948527294]
  本稿では,MPCと統合された汎用シーケンス・オブ・制約フレームワークであるGoC-MPCを紹介する。 GoC-MPCは、部分的に順序付けられたタスク、動的エージェント調整、障害回復を自然にサポートする。 実験により、GoC-MPCは、最近のベースラインと比較して、高い成功率、はるかに高速なTAMP計算、より短い全体パスを実現することが示された。
  論文  参考訳（メタデータ） (2026-03-19T01:45:14Z)
• Reliable and Efficient Multi-Agent Coordination via Graph Neural Network Variational Autoencoders [14.523909983384433]
  自動倉庫などの共有空間における信頼性の高いマルチロボットナビゲーションには,マルチエージェント調整が不可欠である。 我々は,グラフニューラルネットワーク変分オートエンコーダ(GNN-VAE)を用いて,集中最適化よりも高速なスケールでのマルチエージェント協調問題を解くことを提案する。
  論文  参考訳（メタデータ） (2025-03-04T19:20:11Z)
• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• FAMO: Fast Adaptive Multitask Optimization [48.59232177073481]
  本稿では,動的重み付け手法であるFast Adaptive Multitask Optimization FAMOを導入する。 この結果から,FAMOは最先端の勾配操作技術に匹敵する,あるいは優れた性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T15:39:54Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。