論文の概要: Asymptotically Optimal Multi-Robot Task and Motion Planning

• arxiv url: http://arxiv.org/abs/2609.18813v1
• Date: Wed, 16 Sep 2026 15:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.86926
• Title: Asymptotically Optimal Multi-Robot Task and Motion Planning
• Title（参考訳）: 漸近的最適マルチロボットタスクと運動計画
• Abstract要約: マルチロボット・タスク・アンド・モーション・プランニング(MR-TAMP)では、個別のタスク決定と複数の相互作用するロボットの連続的な衝突のない動作を共同で推論する必要がある。 我々は,進化する個々のロボットのロードマップと暗黙のテンソル積探索を組み合わせたMR-TAMPアルゴリズムを開発した。 結果として得られるフレームワークは、個々のロボットの動き計画の構造を効率的に活用しながら、マルチロボット操作のための最適性を保証する。
• 参考スコア（独自算出の注目度）: 8.819673391477036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot task and motion planning (MR-TAMP) requires jointly reasoning about discrete task decisions and continuous collision-free motions of multiple interacting robots. Although asymptotically optimal algorithms have been developed for task and motion planning, extending these guarantees to the multi-robot setting introduces an important challenge: different task transitions may involve different subsets of robots and therefore impose constraints of different dimensions on the composite configuration space. Consequently, an asymptotically optimal planner must not only optimize motion within each task mode, but also ensure sufficient exploration of the different types of transitions connecting them. We characterize this transition structure and establish sufficient conditions for global asymptotic optimality in MR-TAMP, requiring persistent coverage of relevant transitions and asymptotically improving motion planning within connected feasible regions. Based on these conditions, we develop an efficient asymptotically optimal MR-TAMP algorithm that combines evolving individual-robot roadmaps with implicit tensor-product search, avoiding explicit construction of the composite roadmap. The planner further employs conditional transition sampling, lazy collision checking, and mode- and solution-level guidance to improve finite-time planning efficiency while retaining persistent exploration. The resulting framework provides asymptotic optimality guarantees for multi-robot manipulation while efficiently exploiting the structure of individual-robot motion planning.
• Abstract（参考訳）: マルチロボット・タスク・アンド・モーション・プランニング(MR-TAMP)では、個別のタスク決定と複数の相互作用するロボットの連続的な衝突のない動作を共同で推論する必要がある。 漸近的に最適なアルゴリズムはタスク計画と動作計画のために開発されたが、これらの保証をマルチロボット設定に拡張することは、重要な課題をもたらす: 異なるタスク遷移はロボットの異なるサブセットを巻き込み、そのため複合構成空間に異なる次元の制約を課す。 したがって、漸近的に最適なプランナーは、各タスクモード内での動きを最適化するだけでなく、それらを接続する異なるタイプの遷移の十分な探索も行わなければならない。 我々は、この遷移構造を特徴づけ、MR-TAMPにおける大域的漸近最適性のための十分な条件を確立し、関連する遷移の持続的なカバレッジを必要とし、接続可能な領域における運動計画の漸近的に改善する。 これらの条件に基づいて、進化する個々のロボットのロードマップと暗黙的なテンソル積探索を組み合わせた、効率的な漸近的最適MR-TAMPアルゴリズムを開発した。 プランナーはさらに、条件遷移サンプリング、遅延衝突チェック、モードおよびソリューションレベルのガイダンスを使用して、永続的な探索を維持しながら、有限時間計画効率を改善する。 結果として得られるフレームワークは、個々のロボットの動き計画の構造を効率的に活用しながら、マルチロボット操作のための漸近的最適性を保証する。

関連論文リスト

• Efficient Multi-Robot Motion Planning with Precomputed Translation-Invariant Edge Bundles [37.96780564827039]
  マルチロボットモーションプランニング(MRMP)の解決には、複数のロボットに対して衝突のないキノダイナミックな生成が必要である。 サンプリングに基づくキノダイナミック動作計画のためのプランナーに依存しない動作選択機構であるKinodynamic Translation-Invariant Edge BundlesまたはKiTE-Extendを紹介する。
  論文  参考訳（メタデータ） (2026-05-10T22:44:19Z)
• 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)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• 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)
• Submodular Framework for Structured-Sparse Optimal Transport [7.030105924295838]
  非平衡最適輸送(UOT)は、非正規化対策の柔軟な枠組みとロバスト性により、近年注目を集めている。 本研究では,UOT設定における疎輸送計画の学習(構造化)について検討する。 本稿では,最近検討された平均誤差に基づく UOT を用いた新しい空間制約付き UOT の定式化を提案する。
  論文  参考訳（メタデータ） (2024-06-07T13:11:04Z)
• A Unifying Variational Framework for Gaussian Process Motion Planning [44.332875416815384]
  本稿では,変分ガウス過程に基づくロボット動作計画のためのフレームワークを提案する。 我々のフレームワークは、平等ベース、不平等ベース、ソフトモーションプランニング制約を組み込む、原則的で柔軟な方法を提供します。 その結果,提案手法は成功率とパス品質のバランスが良好であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-02T07:51:29Z)
• Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments [54.39292848359306]
  本稿では,タスクのシーケンシング,割り当て,実行を最適化するタスクと動作計画の組み合わせを提案する。 このフレームワークはタスクとアクションの分離に依存しており、アクションはシンボル的タスクの幾何学的実現の可能な1つの可能性である。 ロボットアームと人間の作業員がモザイクを組み立てる共同製造シナリオにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-03-27T01:50:45Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)

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。