論文の概要: LAMP: Long-Horizon Adaptive Manipulation Planning for Multi-Robot Collaboration in Cluttered Space

• arxiv url: http://arxiv.org/abs/2606.29358v1
• Date: Sun, 28 Jun 2026 12:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.89636
• Title: LAMP: Long-Horizon Adaptive Manipulation Planning for Multi-Robot Collaboration in Cluttered Space
• Title（参考訳）: LAMP: クラッタ空間における複数ロボット協調のための長距離適応マニピュレーション計画
• Abstract要約: マルチロボット操作には、接触形成、結合力学下でのロボットの動き、衝突回避に関する共同推論が必要である。 既存のアプローチは、強化学習を通じてエンドツーエンドの問題を解決することを学ぶか、より単純なサロゲート問題に計画を制限するかのいずれかである。 完全連結空間上でのトラクタブルな探索を可能にする2つのプランナを備えた長水平適応マニピュレーション計画フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.871611081512488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot manipulation requires jointly reasoning about contact formations, robot motions under coupled dynamics, and collision avoidance. Systematically searching over this large space is difficult and becomes increasingly intractable as the number of robots grows, the task horizon lengthens, or the scene becomes more cluttered. Existing approaches therefore either learn to solve the problem end-to-end via reinforcement learning or restrict planning to a simpler surrogate problem, such as planning object motions while learning short-horizon contact primitives. However, neither paradigm scales to the problem instances we target: longhorizon multi-robot manipulation in extremely dense environments. In this paper, we propose a Long-horizon Adaptive Manipulation Planning (LAMP) framework with two planners that enable tractable search over the full coupled space by combining a learned generative manipulation model: a LAMPA* planner that systematically searches over the coupled objectrobot space, and LAMP-Lazy: a lazy planner that enables real-time replanning through deferred evaluation. Experiments in challenging simulated environments demonstrate that our approach solves complex long-horizon tasks in highly cluttered environments that prior methods cannot handle.
• Abstract（参考訳）: マルチロボット操作には、接触形成、結合力学下でのロボットの動き、衝突回避に関する共同推論が必要である。 この大きな空間を体系的に探索することは困難であり、ロボットの数が増え、タスクの水平線が長くなり、シーンが散らかってしまうにつれて、ますます難易度が増す。 したがって、既存のアプローチでは、強化学習を通じてエンドツーエンドの問題を解決することを学ぶか、短期水平接触プリミティブを学習しながらオブジェクトの動きを計画するなど、より単純なサロゲート問題に計画を制限するかのどちらかである。 しかし、どちらのパラダイムも、我々がターゲットとする問題インスタンスにスケールしない:非常に密集した環境での長距離マルチロボット操作。 本稿では、学習された生成的操作モデルを組み合わせることで、全連結空間上のトラクタブルな探索を可能にするLAMP(Long-Horizon Adaptive Manipulation Planning)フレームワークと、遅延評価によるリアルタイムな再計画を可能にする遅延プランナLAMP-Lazyを提案する。 シミュレーション環境に挑戦する実験では,従来の手法では扱えない,散らかった環境下での複雑な長期タスクの解決が実証された。

関連論文リスト

• Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement [0.9199488958939335]
  マルチロボット動作計画における基本的な課題は、ロボット群の関節構成空間を探索する膨大な計算コストを伴わずに、十分な調整を達成することである。 本研究では,作業空間の分解を個別に探索することで,計画中のロボット同士の協調を図りながら,作業空間の分解を個別に探索できるという知見を活用することにより,計画時間を大幅に向上するマルチ移動ロボット運動計画手法を提案する。
  論文  参考訳（メタデータ） (2026-05-19T18:44:09Z)
• Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
  乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。 タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。 我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
  論文  参考訳（メタデータ） (2026-04-22T22:58:47Z)
• 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)
• Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
  脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。 現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。 本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T21:00:30Z)
• 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)
• Deep-Reinforcement-Learning-based Path Planning for Industrial Robots using Distance Sensors as Observation [7.656633127636852]
  本稿では,ロボットマニピュレータのための深部強化学習型モーションプランナを提案する。 いくつかの実験で、最先端のサンプリングベースプランナに対して、我々のモデルを評価した。
  論文  参考訳（メタデータ） (2023-01-14T21:42:17Z)
• Scalable Multi-robot Motion Planning for Congested Environments With Topological Guidance [2.846144602096543]
  マルチロボットモーションプランニング(MRMP)は、連続状態空間におけるロボットの衝突のない経路を見つける問題である。 我々は、トポロジカルガイダンスによって提供される改善された効率を活用するために、既存のシングルロボットモーションプランニング手法を拡張した。 提案手法は,多くの狭い経路を持つ複雑な環境における経路を効率的に計画する能力を示し,既存の方法の最大25倍の大きさのロボットチームに拡張する。
  論文  参考訳（メタデータ） (2022-10-13T16:26:01Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• A Hybrid Approach for Learning to Shift and Grasp with Elaborate Motion Primitives [3.104019670546254]
  我々は、特にビンピッキングアプリケーションに焦点をあてて、ロボットが把握できるようにする努力に貢献する。 ソフトアクター・クリティック(SAC)のハイブリッド型離散連続適応に基づく完全自己教師付き強化学習手法を提案する。 我々は,運動の押圧・把持にパラメタライズド・モーション・プリミティブを用いて,我々が考慮する困難な設定に柔軟に適応可能な動作を可能にする。
  論文  参考訳（メタデータ） (2021-11-02T11:29:14Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。