論文の概要: CAD-Based Relation Learning and Geometric-Symbolic Planning for Robotic Assembly
- arxiv url: http://arxiv.org/abs/2609.17263v1
- Date: Tue, 15 Sep 2026 14:43:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.586337
- Title: CAD-Based Relation Learning and Geometric-Symbolic Planning for Robotic Assembly
- Title（参考訳）: CADを用いたロボット組立のための関係学習と幾何学的シンボリックプランニング
- Abstract要約: 本稿では,学習に基づく関係抽出と幾何学的シンボリック推論を組み合わせたハイブリッドASPフレームワークを提案する。
ニューラルネットワークはポイントクラウドからセマンティックな関係を予測し、Human-in-the-loop検証は不確実な予測と計画上の失敗の修正を可能にする。
提案したハイブリッドフレームワークにより,CADデータから効率的なロボット組立計画が可能であり,計画時間を大幅に短縮できることを示す。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Assembly Sequence Planning (ASP) remains a challenging problem due to its combinatorial nature, making exhaustive planning approaches impractical for complex industrial assemblies. Furthermore, many CAD models lack reliable semantic contact information or require extensive manual preprocessing, limiting the applicability of existing methods. This paper presents a hybrid ASP framework combining learning-based relation extraction with geometric-symbolic reasoning to generate feasible robotic disassembly sequences from imperfect CAD data. A neural network predicts semantic geometric relations from point clouds, while human-in-the-loop verification enables correction of uncertain predictions and planning failures. Extracted relations are transformed into a symbolic assembly graph, enabling a geometric-symbolic planner to efficiently compute locally valid sets of robotic manipulation primitives. A visibility-based ray-casting strategy guides the search for feasible disassembly directions without requiring an exhaustive combinatorial search, while the local solution space enables efficient sequence optimization. The framework is evaluated on an introduced assembly dataset and on the ASAP test dataset. On the ASAP test dataset, the proposed planner achieves an 85.83% planning success rate while reducing the median planning time by more than one order of magnitude across all assembly sizes and by more than a factor of 50 for assemblies with more than 30 components compared to the baseline. The results demonstrate that the proposed hybrid framework enables efficient robotic assembly sequence planning from imperfect CAD data while substantially reducing planning time. By combining learning-based feature segmentation, human-in-the-loop verification, and geometric-symbolic reasoning, the framework provides a practical foundation for scalable and adaptable robotic assembly and disassembly planning.
- Abstract（参考訳）: アセンブリ・シーケンス・プランニング(ASP)は、その組み合わせの性質から、複雑な産業集合体では実行不可能な徹底的なプランニングアプローチを実現するため、依然として困難な問題である。
さらに、多くのCADモデルは、信頼性の高いセマンティック・コンタクト情報を欠いているか、広範囲な手作業による事前処理が必要であり、既存の手法の適用性を制限している。
本稿では,学習に基づく関係抽出と幾何学的シンボリック推論を組み合わせて,不完全なCADデータから実現可能なロボット分解配列を生成するハイブリッドASPフレームワークを提案する。
ニューラルネットワークは点雲から意味的幾何学的関係を予測し、ヒューマン・イン・ザ・ループ検証は不確実な予測と計画上の失敗の修正を可能にする。
抽出された関係はシンボリックアセンブリグラフに変換され、幾何学的シンボリックプランナーは局所的に有効なロボット操作プリミティブの集合を効率的に計算できる。
可視性に基づくレイキャスト戦略は、完全組合せ探索を必要とせず、実現可能な分解方向の探索を誘導する一方、局所的な解空間は効率的なシーケンス最適化を可能にする。
このフレームワークは、導入されたアセンブリデータセットとASAPテストデータセットで評価される。
ASAPテストデータセットでは、提案したプランナーは85.83%の計画成功率を達成し、すべてのアセンブリサイズに対して中央計画時間を1桁以上削減し、ベースラインと比較して30以上のコンポーネントを持つアセンブリに対して50倍以上削減する。
その結果,提案するハイブリッドフレームワークにより,CADデータから効率的なロボット組立計画が可能であり,計画時間を大幅に短縮できることがわかった。
学習に基づく特徴セグメンテーション、ヒューマン・イン・ザ・ループの検証、幾何学的シンボリック推論を組み合わせることで、このフレームワークはスケーラブルで適応可能なロボット組み立てと分解計画のための実践的な基盤を提供する。
関連論文リスト
- PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
計画は大規模言語モデル(LLM)の基本的な機能である
PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
論文 参考訳（メタデータ） (2026-05-20T08:10:15Z) - Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams [11.964765256346857]
不均質なマルチロボットシステムのための長期タスクプランニングは、実環境における協調チームの配置に不可欠である。
自然言語命令からタスク関連問題表現をコンパクトに生成する,スケーラブルなLLM支援フレームワークであるScale-Planを提案する。
計画に先立って無関係な情報をフィルタリングすることにより、スケールプランは効率的な分解、割り当て、長期計画生成を可能にします。
論文 参考訳（メタデータ） (2026-03-09T18:13:18Z) - A Unified Framework for Automated Assembly Sequence and Production Line Planning using Graph-based Optimization [0.688175992229959]
PyCAALPは、自動アセンブリシーケンス計画(ASP)と生産ライン計画(PLP)のためのフレームワークである
このフレームワークは、潜在的な部分衝突のような運動的境界条件を統合し、自動組立計画の実現性を保証する。
このフレームワークは、産業と生産の両方の研究アプリケーションにおいて、さらなるコラボレーションと採用を促進する。
論文 参考訳（メタデータ） (2025-12-15T11:32:45Z) - TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics [53.442362491589726]
本稿では、視覚言語モデル(VLM)を幾何学コンピュータに変換する新しいフレームワークであるTIGeR(Tool-Integrated Geometric Reasoning)を提案する。
TIGeRは、ニューラルネットワーク内で複雑な幾何学的操作を内部化しようとするのではなく、幾何学的推論要求を認識するためにモデルに権限を与える。
TIGeRは、実世界のロボット操作タスクにおいて、センチメートルレベルの精度を示しながら、幾何学的推論ベンチマーク上でSOTA性能を達成することを示す。
論文 参考訳（メタデータ） (2025-10-08T16:20:23Z) - Multi-level Reasoning for Robotic Assembly: From Sequence Inference to
Contact Selection [74.40109927350856]
本稿では,PAST(Part Assembly Sequence Transformer)を用いて,対象とするブループリントからアセンブリシーケンスを推論する。
次に、モーションプランナーと最適化を使用して、部品の動きと接触を生成する。
実験結果から,本手法は従来手法よりも一般化されていることがわかった。
論文 参考訳（メタデータ） (2023-12-17T00:47:13Z) - Efficient and Feasible Robotic Assembly Sequence Planning via Graph
Representation Learning [22.447462847331312]
本稿では,製品集合体に対するアセンブリグラフと呼ばれるグラフ表現を含む総合的なグラフィカルアプローチを提案する。
GRACEでは、グラフ入力から意味のある情報を抽出し、ステップバイステップでアセンブリシーケンスを予測する。
実験では,アルミニウムプロファイルの積変種にまたがって,本手法が実現可能なアセンブリシーケンスを予測可能であることを示す。
論文 参考訳（メタデータ） (2023-03-17T17:23:14Z) - A Framework for Neurosymbolic Robot Action Planning using Large Language Models [3.0501524254444767]
本稿では,象徴的タスク計画と機械学習アプローチのギャップを埋めることを目的としたフレームワークを提案する。
大規模言語モデル(LLM)を計画ドメイン定義言語(PDDL)と互換性のあるニューロシンボリックタスクプランナーに訓練する根拠
選択されたドメインにおける予備的な結果から, (i) テストデータセットの95.5%の問題を1,000個のサンプルで解決し, (ii) 従来のシンボルプランナーよりも最大13.5%短いプランを作成し, (iii) 計画の可利用性の平均待ち時間を61.4%まで削減する。
論文 参考訳（メタデータ） (2023-03-01T11:54:22Z) - Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion
Planning [36.300564378022315]
本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。
本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
論文 参考訳（メタデータ） (2022-11-03T04:12:04Z) - Sequential Manipulation Planning on Scene Graph [90.28117916077073]
我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。
ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。
次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
論文 参考訳（メタデータ） (2022-07-10T02:01:33Z) - Graph-based Reinforcement Learning meets Mixed Integer Programs: An
application to 3D robot assembly discovery [34.25379651790627]
我々は、テトリスのような構造ブロックとロボットマニピュレータを用いて、スクラッチから完全に定義済みの任意のターゲット構造を構築するという課題に対処する。
我々の新しい階層的アプローチは、タスク全体を相互に利益をもたらす3つの実行可能なレベルに効率的に分解することを目的としています。
論文 参考訳（メタデータ） (2022-03-08T14:44:51Z) - Nothing But Geometric Constraints: A Model-Free Method for Articulated
Object Pose Estimation [89.82169646672872]
本稿では,ロボットアームの関節構成を,モデルに先入観を持たずにRGBまたはRGB-D画像のシーケンスから推定する,教師なし視覚ベースシステムを提案する。
我々は,古典幾何学的定式化と深層学習を組み合わせることで,この課題を解決するために,極性多剛体制約を拡張した。
論文 参考訳（メタデータ） (2020-11-30T20:46:48Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。