論文の概要: Leveraging Inter-object Affordances for Efficient Planning in Contact-rich Tasks

• arxiv url: http://arxiv.org/abs/2608.25641v1
• Date: Wed, 26 Aug 2026 11:12:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.776972
• Title: Leveraging Inter-object Affordances for Efficient Planning in Contact-rich Tasks
• Title（参考訳）: コンタクトリッチタスクにおける効率的なプランニングのためのオブジェクト間アフォーダンスの活用
• Authors: Pouya P. Niaz, Justus Piater, Alejandro Agostini,
• Abstract要約: 従来のタスク・アンド・モーション・プランニング(TAMP)アプローチは、必要な幾何学的および運動論的制約とともに、アクションのシーケンスを定義することに重点を置いている。 本稿では,TAMPアプローチを利用してオブジェクト中心の制約を抽象化する手法を提案する。 提案手法は,計画成功率を大幅に向上し,他の手法に比べて1～2桁の計画時間を改善する。
• 参考スコア（独自算出の注目度）: 42.29257983447145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional task-and-motion planning (TAMP) approaches primarily focus on defining sequences of actions along with the necessary geometric and kinematic constraints to execute long-horizon tasks. However, their applicability in real-world settings is limited, as they typically assume simplified object models that overlook key physical properties critical for the successful execution of contact-rich tasks. Moreover, they often use sub-symbolic reasoning during motion planning, which drastically increases planning time and decreases overall success rates. We propose a method that leverages a TAMP approach, defining object-centric abstractions of execution constraints, called Unified TAMP (U-TAMP), to execute robotic tasks involving interactions among objects with heterogeneous shapes, sizes, and materials. Using a Vision-Language Model (VLM), we generate abstractions of inter-object affordances for characterizing physical interaction constraints between objects in contact-rich tasks, such as grasp and support constraints. These constraints are used to enrich the U-TAMP planning domain to deal with objects with variable physical properties. We perform experiments in simulated kitchen table organization scenarios and compare our results with those of the original U-TAMP, as well as a state-of-the-art VLM-based planner that leverages common sense knowledge of objects' affordances for plan generation. Our approach achieves significantly higher planning success rates and improves planning times by one to two orders of magnitude compared to other methods.
• Abstract（参考訳）: 従来のタスク・アンド・モーション・プランニング(TAMP)アプローチは主に、長時間のタスクを実行するために必要な幾何学的および運動論的制約とともに、アクションのシーケンスを定義することに焦点を当てている。 しかし、現実の環境での適用性は限られており、コンタクトリッチなタスクの実行を成功させるために重要な物理的特性を無視する単純化されたオブジェクトモデルを想定しているのが一般的である。 さらに、彼らは運動計画中にサブシンボリック推論を使用し、計画時間を大幅に増加させ、全体的な成功率を低下させる。 本研究では,TAMP手法を用いて,オブジェクト間の異種形状,サイズ,材料間の相互作用を含むロボットタスクを実行するために,Unified TAMP (U-TAMP) と呼ばれるオブジェクト中心の制約の抽象化を定義する手法を提案する。 VLM(Vision-Language Model)を用いて,物体間の物理的相互作用の制約を識別するためのオブジェクト間余裕の抽象化を生成する。 これらの制約は、可変物理特性を持つオブジェクトを扱うために、U-TAMP計画領域を強化するために使用される。 我々は、シミュレーションされたキッチンテーブル構成シナリオで実験を行い、その結果を元のU-TAMPのそれと比較し、また、オブジェクトのプラン生成能力に関する常識知識を活用する最先端のVLMベースのプランナーと比較する。 提案手法は,計画成功率を大幅に向上し,他の手法に比べて1～2桁の計画時間を改善する。

関連論文リスト

• Afford-VLA: Action-Aligned Visual Planning via Internalized Affordance [108.46436073194546]
  効果的なプランニングは、ローカルで、視覚的に基礎があり、内部で生成され、アクションと直接整合するべきである、と私たちは主張する。 本稿では,タスク条件付きアベイランスをVLAモデル内で明示的な視覚的計画インターフェースとして内包する統合フレームワークであるAfford-VLAを提案する。
  論文  参考訳（メタデータ） (2026-05-22T20:43:47Z)
• LLM-guided Task and Motion Planning using Knowledge-based Reasoning [1.7563201473819496]
  本研究は,タスクコンテキスト推論と知識ベース環境記述を用いて,ユーザプロンプトを洗練・拡張する知識ベース推論を用いた新しいオント・LLM-TAMPフレームワークを提案する。 提案フレームワークはシミュレーションと実世界のシナリオの両方を通じて検証され,動的環境への適応性や意味論的に正しいタスクプランの生成の観点から,ベースラインアプローチに対する大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-12-10T13:18:45Z)
• ET-Plan-Bench: Embodied Task-level Planning Benchmark Towards Spatial-Temporal Cognition with Foundation Models [38.89166693142495]
  ET-Plan-Benchは、Large Language Models (LLMs) を用いたタスク計画の具体化のためのベンチマークである。 様々な難易度や複雑さのレベルにおいて、制御可能で多様な実施タスクが特徴である。 我々のベンチマークでは、大規模で定量化され、高度に自動化され、きめ細かな診断フレームワークとして認識されている。
  論文  参考訳（メタデータ） (2024-10-02T19:56:38Z)
• LLM3:Large Language Model-based Task and Motion Planning with Motion Failure Reasoning [78.2390460278551]
  従来のタスク・アンド・モーション・プランニング(TAMP)アプローチは、シンボル的タスク・プランニングと連続的なモーション・ジェネレーションを結びつける手作業によるインタフェースに依存している。 本稿では,ドメインに依存しないインターフェースを備えたLarge Language Model (LLM) ベースの TAMP フレームワーク LLM3 を提案する。 具体的には、事前学習したLLMの強力な推論と計画能力を活用して、シンボル的なアクションシーケンスを提案し、動作計画のための連続的なアクションパラメータを選択する。
  論文  参考訳（メタデータ） (2024-03-18T08:03:47Z)
• Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints [56.283944756315066]
  本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。 我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
  論文  参考訳（メタデータ） (2023-12-29T14:00:20Z)
• Learning adaptive planning representations with natural language guidance [90.24449752926866]
  本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。 Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
  論文  参考訳（メタデータ） (2023-12-13T23:35:31Z)
• DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
  タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。 本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。 古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
  論文  参考訳（メタデータ） (2023-06-22T20:40:24Z)

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。