論文の概要: A hierarchical spatial-aware algorithm with efficient reinforcement learning for human-robot task planning and allocation in production

• arxiv url: http://arxiv.org/abs/2604.12669v2
• Date: Thu, 16 Apr 2026 08:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 16:09:14.185043
• Title: A hierarchical spatial-aware algorithm with efficient reinforcement learning for human-robot task planning and allocation in production
• Title（参考訳）: 効率的な強化学習を用いた階層型空間認識アルゴリズムによる人ロボットタスク計画と生産時の割り当て
• Authors: Jintao Xue, Xiao Li, Nianmin Zhang,
• Abstract要約: タスク計画とタスク割り当てのためのリアルタイム階層型人間ロボットTPAアルゴリズムを実装した。 高レベルエージェントに対しては、トレーニング時間を短縮する効率的なバッファベースの深層Q-ラーニング手法(EBQ)を提案する。 低レベルエージェントでは、経路計画に基づく空間認識手法(SAP)が適切な人ロボット資源にタスクを割り当てるように設計されている。
• 参考スコア（独自算出の注目度）: 3.8704000484099264
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In advanced manufacturing systems, humans and robots collaborate to conduct the production process. Effective task planning and allocation (TPA) is crucial for achieving high production efficiency, yet it remains challenging in complex and dynamic manufacturing environments. The dynamic nature of humans and robots, particularly the need to consider spatial information (e.g., humans' real-time position and the distance they need to move to complete a task), substantially complicates TPA. To address the above challenges, we decompose production tasks into manageable subtasks. We then implement a real-time hierarchical human-robot TPA algorithm, including a high-level agent for task planning and a low-level agent for task allocation. For the high-level agent, we propose an efficient buffer-based deep Q-learning method (EBQ), which reduces training time and enhances performance in production problems with long-term and sparse reward challenges. For the low-level agent, a path planning-based spatially aware method (SAP) is designed to allocate tasks to the appropriate human-robot resources, thereby achieving the corresponding sequential subtasks. We conducted experiments on a complex real-time production process in a 3D simulator. The results demonstrate that our proposed EBQ&SAP method effectively addresses human-robot TPA problems in complex and dynamic production processes.
• Abstract（参考訳）: 先進的な製造システムでは、人間とロボットが協力して生産プロセスを実行する。 効率的なタスクプランニングとアロケーション(TPA)は高い生産効率を達成する上で重要であるが、複雑な動的製造環境では依然として困難である。 人間とロボットのダイナミックな性質、特に空間情報(例えば、人間のリアルタイム位置とタスクを完了させるために移動するために必要な距離)を考える必要性は、TPAを著しく複雑にしている。 上記の課題に対処するため、プロダクションタスクを管理可能なサブタスクに分解する。 次に、タスク計画のための高レベルエージェントとタスク割り当てのための低レベルエージェントを含む、リアルタイムな階層的人間ロボットTPAアルゴリズムを実装した。 高レベルエージェントに対しては,訓練時間を短縮し,長期的かつスパースな報酬課題を伴う生産問題における性能を向上させる,効率的なバッファベースの深層Q-ラーニング手法(EBQ)を提案する。 低レベルエージェントでは、経路計画に基づく空間認識法(SAP)が適切な人ロボット資源にタスクを割り当て、対応するシーケンシャルなサブタスクを達成するように設計されている。 3次元シミュレータを用いた複雑な実時間生産実験を行った。 以上の結果から,本提案手法は複雑・動的生産プロセスにおける人間ロボットTPA問題に効果的に対処できることが示唆された。

関連論文リスト

• Collaborative Task and Path Planning for Heterogeneous Robotic Teams using Multi-Agent PPO [6.508086451004438]
  異種ロボットのチームを調整するために,MAPPO(Multi-Agent Proximal Policy Optimization)に基づく協調計画戦略を提案する。 本研究では, 惑星探査のシナリオにおいて, 総合的な探索によって得られた単一目的最適解に対するアプローチをベンチマークし, オンライン・リプランニングを行う能力を評価する。
  論文  参考訳（メタデータ） (2026-04-01T17:53:51Z)
• Leveraging Pre-trained Large Language Models with Refined Prompting for Online Task and Motion Planning [24.797220935378057]
  本稿では,事前学習型大規模言語モデル (LLM) によって支援された閉ループタスク計画・実行システム LLM-PAS を提案する。 タスク実行時の異常条件に対するLLM-PASの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2025-04-30T12:53:53Z)
• 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)
• Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
  本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。 そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。 Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
  論文  参考訳（メタデータ） (2024-08-29T20:22:22Z)
• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• The Foundations of Computational Management: A Systematic Approach to Task Automation for the Integration of Artificial Intelligence into Existing Workflows [55.2480439325792]
  本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。 この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
  論文  参考訳（メタデータ） (2024-02-07T01:45:14Z)
• Overcoming Exploration: Deep Reinforcement Learning in Complex Environments from Temporal Logic Specifications [2.8904578737516764]
  本稿では,大規模複雑な環境に展開する未知の連続時間ダイナミクスを有するタスク誘導型ロボットのためのDeep Reinforcement Learning (DRL)アルゴリズムを提案する。 本フレームワークは,大規模複雑な環境下での複雑なミッションをこなすロボットの性能(有効性,効率)を著しく向上させる。
  論文  参考訳（メタデータ） (2022-01-28T16:39:08Z)
• Dynamic Human-Robot Role Allocation based on Human Ergonomics Risk Prediction and Robot Actions Adaptation [35.91053423341299]
  本研究では,人ロボット協調作業における作業者に対して,組立戦略の最適化と作業の分散を行う新しい手法を提案する。 提案手法は,作業者にとって安全かつ人間工学的な条件を確保するために,タスク割り当てプロセスの制御に成功している。
  論文  参考訳（メタデータ） (2021-11-05T17:29:41Z)

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。