論文の概要: Task Planning for Mobile Manipulation in Retail Stores using Foundation Models with Iterative Re-planning

• arxiv url: http://arxiv.org/abs/2607.09962v1
• Date: Fri, 10 Jul 2026 20:32:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.265095
• Title: Task Planning for Mobile Manipulation in Retail Stores using Foundation Models with Iterative Re-planning
• Title（参考訳）: 反復的再計画モデルを用いた小売店舗におけるモバイル操作のタスクプランニング
• Abstract要約: 本稿では,スーパーマーケットなどの小売店舗におけるリストック問題に対処するために,大規模言語モデルと視覚言語モデルを用いたタスクプランニング手法を提案する。 本システムは,ユーザ主導のプロンプトとフィードバックに基づく反復的再計画手法により,一方向の移動操作プラットフォーム上で,エラー訂正を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automation in industries such as retail, warehousing and logistics presents opportunities for greater throughput, cost reduction and mitigation of disruptions from labour shortages. Previously, such efforts have focused on back-room operations involving packing and sorting in relatively structured environments. With advances in robotic mobile manipulation hardware and foundation models, automation can now be applied to more variable and human-centric environments such as retail store shelves. In this work, we present a task-planning approach using Large Language Models (LLMs) and Vision-Language Models (VLMs) to address the restocking problem in retail scenarios such as supermarkets. We demonstrate this system on a custom omnidirectional mobile manipulation platform, with user-driven prompts and a feedback-based iterative re-planning approach for error correction. The end-to-end system is validated in a PyBullet simulation environment for pick-and-place tasks.
• Abstract（参考訳）: 小売、倉庫、物流などの産業における自動化は、より大きなスループット、コスト削減、労働不足からの破壊を緩和する機会を提供する。 これまでこのような取り組みは、比較的構造化された環境でのパッケージングとソートを含むバックルームオペレーションに重点を置いてきた。 ロボティックなモバイル操作ハードウェアとファンデーションモデルの進歩により、自動化は小売店の棚のようなより可変的で人間中心の環境に適用できる。 本研究では,スーパーマーケットなどの小売シナリオにおけるリストック問題に対処するために,Large Language Models (LLM) とVision-Language Models (VLM) を用いたタスクプランニング手法を提案する。 本システムは,ユーザ主導のプロンプトとフィードバックに基づく反復的再計画手法により,一方向の移動操作プラットフォーム上で,エラー訂正を行う。 エンド・ツー・エンドのシステムは、ピック・アンド・プレイスタスクのためのPyBulletシミュレーション環境で検証される。

関連論文リスト

• Unlocking Smarter Device Control: Foresighted Planning with a World Model-Driven Code Execution Approach [82.27842884709378]
  本研究では,自然言語理解と構造化推論を優先し,エージェントの環境に対するグローバルな理解を高める枠組みを提案する。 本手法は,従来の手法,特にタスク成功率の44.4%向上を達成している。
  論文  参考訳（メタデータ） (2025-05-22T09:08:47Z)
• MORE: Mobile Manipulation Rearrangement Through Grounded Language Reasoning [13.535721260188694]
  MOREはゼロショットモバイル操作計画タスクを解決するための言語モデルの能力を高めるための新しいアプローチである。 BEHAVIOR-1Kベンチマークから81の多様な再配置タスクに対してMOREを評価し,ベンチマークのかなりの割合をうまく解決するための最初のアプローチとなる。
  論文  参考訳（メタデータ） (2025-05-05T21:26:03Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• A Bring-Your-Own-Model Approach for ML-Driven Storage Placement in Warehouse-Scale Computers [4.849222239746218]
  ストレージシステムは倉庫規模のコンピュータの総所有コスト(TCO)の大部分を占めている。 データ配置のようなストレージシステム効率の重要な問題を解決する機械学習(ML)ベースの手法は、大きな可能性を秘めている。 この問題をGoogleの現実世界のハイパースケールデータセンターの文脈で研究する。
  論文  参考訳（メタデータ） (2025-01-10T01:42:05Z)
• MALMM: Multi-Agent Large Language Models for Zero-Shot Robotics Manipulation [62.854649499866774]
  大規模言語モデル(LLM)は、ロボティクスの操作やナビゲーションなど、さまざまな領域にまたがる優れた計画能力を示している。 特殊なLLMエージェント間で高レベル計画および低レベル制御コード生成を分散する新しいマルチエージェントLLMフレームワークを提案する。 長軸タスクを含む9つのRLBenchタスクに対するアプローチを評価し、ゼロショット環境でロボット操作を解く能力を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:53:44Z)
• Multi-Agent Path Finding with Real Robot Dynamics and Interdependent Tasks for Automated Warehouses [1.2810395420131764]
  MAPF(Multi-Agent Path Finding)は、自動倉庫や工場にロボットを配置する際の重要な最適化問題である。 ロボットの群れが各注文の商品を棚からワークステーションに届ける倉庫において、オンラインでの注文配達の現実的な問題を考える。 これにより、相互依存型ピックアップおよびデリバリタスクのストリームが生成され、関連するMAPF問題は、現実的な衝突のないロボット軌道の計算によって構成される。
  論文  参考訳（メタデータ） (2024-08-26T15:13:38Z)
• 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)
• Foundation Models for Autonomous Robots in Unstructured Environments [15.517532442044962]
  この研究は、ロボットと非構造環境の2つの分野における基礎モデルの応用を体系的にレビューした。 LLMの言語能力は、人間とロボットの相互作用の知覚を改善するために、他の特徴よりも利用されてきた。 LLMの使用は、プロジェクトの管理と建設における安全性、災害管理における自然災害検出により多くの応用を実証した。
  論文  参考訳（メタデータ） (2024-07-19T13:26:52Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)
• Scalable Multi-Agent Reinforcement Learning for Warehouse Logistics with Robotic and Human Co-Workers [41.293077032127904]
  我々は、多数の移動ロボットと人間のピッカーが協力して倉庫内でアイテムを収集、配達する倉庫について検討する。 私たちが取り組んだ根本的な問題は、これらの作業員がこの作業においてパフォーマンスを最大化するために、倉庫内での動きと動作をどのように調整する必要があるかである。 我々は,マネージャエージェントが労働者エージェントに目標を割り当てる階層的MARLアルゴリズムを開発し,グローバルな目標の最大化に向けて,マネージャと労働者の方針を協調的に訓練する。
  論文  参考訳（メタデータ） (2022-12-22T06:18:41Z)
• A Multi-Agent System for Solving the Dynamic Capacitated Vehicle Routing Problem with Stochastic Customers using Trajectory Data Mining [0.0]
  Eコマースはロジスティクス企業にとって新たな課題を生み出している。 本研究は、軌道データマイニング技術を用いて、領域パターンを抽出し、ラストマイル経路の動的生成に利用するマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2020-09-26T21:36:35Z)

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。