論文の概要: Graph-of-Constraints Model Predictive Control for Reactive Multi-agent Task and Motion Planning

• arxiv url: http://arxiv.org/abs/2603.18400v1
• Date: Thu, 19 Mar 2026 01:45:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.97051
• Title: Graph-of-Constraints Model Predictive Control for Reactive Multi-agent Task and Motion Planning
• Title（参考訳）: 反応型マルチエージェントタスクのグラフ・オブ・制約モデル予測制御と動作計画
• Authors: Anastasios Manganaris, Jeremy Lu, Ahmed H. Qureshi, Suresh Jagannathan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.664456948527294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequences of interdependent geometric constraints are central to many multi-agent Task and Motion Planning (TAMP) problems. However, existing methods for handling such constraint sequences struggle with partially ordered tasks and dynamic agent assignments. They typically assume static assignments and cannot adapt when disturbances alter task allocations. To overcome these limitations, we introduce Graph-of-Constraints Model Predictive Control (GoC-MPC), a generalized sequence-of-constraints framework integrated with MPC. GoC-MPC naturally supports partially ordered tasks, dynamic agent coordination, and disturbance recovery. By defining constraints over tracked 3D keypoints, our method robustly solves diverse multi-agent manipulation tasks-coordinating agents and adapting online from visual observations alone, without relying on training data or environment models. Experiments demonstrate that GoC-MPC achieves higher success rates, significantly faster TAMP computation, and shorter overall paths compared to recent baselines, establishing it as an efficient and robust solution for multi-agent manipulation under real-world disturbances. Our supplementary video and code can be found at https://sites.google.com/view/goc-mpc/home .
• Abstract（参考訳）: 相互依存的な幾何学的制約の列は、多くのマルチエージェントタスク・アンド・モーション・プランニング(TAMP)問題の中心である。 しかし、そのような制約シーケンスを扱う既存の方法は、部分的に順序付けられたタスクや動的エージェントの割り当てに苦労する。 通常、静的な割り当てを前提としており、障害がタスク割り当てを変更すると適応できない。 これらの制限を克服するために、MPCと統合された汎用的な制約列フレームワークであるGC-MPC(Graph-of-Constraints Model Predictive Control)を導入する。 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。 追跡された3Dキーポイントに対する制約を定義することにより、トレーニングデータや環境モデルに頼ることなく、多様なマルチエージェント操作タスク調整エージェントを堅牢に解決し、視覚的観察のみからオンラインに適応する。 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し、実世界の乱れ下でのマルチエージェント操作のための効率的で堅牢なソリューションとして確立された。 我々の補足ビデオとコードはhttps://sites.google.com/view/goc-mpc/home.comで見ることができる。

関連論文リスト

• A Hierarchical Error-Corrective Graph Framework for Autonomous Agents with LLM-Based Action Generation [3.503249117641051]
  本稿では3つのコアイノベーションを組み込んだ階層的誤り訂正グラフフレームワークfor AutonomousAgentswithLLM-BasedActionGeneration(HECG)を提案する。 MDTS:タスク品質指標(Q),信頼性/コスト指標(C),報酬指標(R),LLMに基づく意味推論スコア(LLM-Score)を統合することで,MDTSは定量的パフォーマンスと意味的コンテキストの多次元的アライメントを実現する。 EMC:単純な混乱行列や全体的なパフォーマンス指標とは異なり、EMCはエラーをStrategy Whe(Strategy Whe)やScript(Script)といった10のタイプに分類することで、タスク障害の構造化された属性を提供する。
  論文  参考訳（メタデータ） (2026-03-09T13:46:00Z)
• MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
  汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。 多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。 MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-22T01:39:16Z)
• Multi-Agent Pointer Transformer: Seq-to-Seq Reinforcement Learning for Multi-Vehicle Dynamic Pickup-Delivery Problems [17.3780399150554]
  本稿では,シーケンス・ツー・シーケンスに基づくエンドツーエンドの集中型意思決定フレームワークであるMulti-Agent Pointer Transformer(MAPT)を提案する。 MAPTは、古典的な操作研究手法と比較して、性能と計算時間の優位性という点で、既存のベースライン手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-21T17:32:10Z)
• Multi-Action Self-Improvement for Neural Combinatorial Optimization [0.979731979071071]
  自己改善モデルは、高品質なソリューションの生成と模倣によってポリシーを反復的に洗練する。 これらのアプローチは、複数のエージェントの協調に関わる問題の構造を活用できない。 共同マルチエージェント動作による自己改善を拡大する。
  論文  参考訳（メタデータ） (2025-10-14T08:26:27Z)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• 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)
• Goal-Conditioned End-to-End Visuomotor Control for Versatile Skill Primitives [89.34229413345541]
  本稿では,制御器とその条件をエンドツーエンドに学習することで,落とし穴を回避する条件付け手法を提案する。 本モデルでは,ロボットの動きのダイナミックな画像表現に基づいて,複雑な動作シーケンスを予測する。 代表的MPCおよびILベースラインに対するタスク成功の大幅な改善を報告した。
  論文  参考訳（メタデータ） (2020-03-19T15:04:37Z)

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。