論文の概要: MultiPush: Learning to Rearrange with Teams of Car-Like Pushers
- arxiv url: http://arxiv.org/abs/2609.27005v1
- Date: Tue, 22 Sep 2026 19:39:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.742795
- Title: MultiPush: Learning to Rearrange with Teams of Car-Like Pushers
- Title（参考訳）: MultiPush: 自動車ライクなプッシャーチームとの交流を学ぶ
- Abstract要約: 我々は、自動車のようなロボットのチームでプッシュすることで、制約された作業空間内で複数のオブジェクトを並べ替えることの問題に焦点をあてる。
ドメインのカーライクなキネマティクスによって導入された構造を利用することで、Dubins曲線のロボットへの順序付けられた割り当てに問題を緩和することができる。
強化学習に基づくフレームワークであるMultiPushを導入し、制約対応のトラバーサビリティグラフを活用することにより、タスクのプッシュと、利用可能なロボットへのアロケーションの効率的なスケジュールを共同で決定する。
- 参考スコア（独自算出の注目度）: 1.0828616610785522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We focus on the problem of rearranging multiple objects within a constrained workspace via pushing using a team of car-like robots. While the use of multiple robots offers the potential for more efficient execution, the need for conflict resolution and the kinematic constraints arising from physics, robot design, and the workspace boundary make this problem especially challenging. Our key insight is that by exploiting the structure introduced by the car-like kinematics of the domain, we could relax the problem into an ordered assignment of Dubins curves to robots. To this end, we introduce MultiPush, a reinforcement-learning based framework that jointly determines an efficient schedule of pushing tasks and their allocation to available robots by leveraging a constraint-aware traversability graph. Across extensive simulated trials with up to 14 objects and teams of two to four robots, MultiPush reduces the makespan by up to 16% compared to the baselines while requiring up to 2.9 times faster planning time. We demonstrate MultiPush on a real-world scenario involving the rearrangement of 12 objects by two and three robots (1/10-scale racecars) in a constrained space.
- Abstract（参考訳）: 我々は、自動車のようなロボットのチームでプッシュすることで、制約された作業空間内で複数のオブジェクトを並べ替えることの問題に焦点をあてる。
複数のロボットを使うことでより効率的な実行が可能になるが、物理、ロボット設計、ワークスペースの境界から生じる矛盾解決と運動的制約の必要性は、この問題を特に困難にしている。
私たちの重要な洞察は、ドメインのカーライクな運動学によって導入された構造を利用することで、Dubins曲線のロボットへの順序付けられた割り当てに問題を緩和できるということです。
この目的のために,マルチプッシュ(MultiPush)という,強化学習に基づくフレームワークを導入し,制約対応のトラバーサビリティグラフを活用することで,タスクのプッシュと,利用可能なロボットへの割り当ての効率的なスケジュールを共同で決定する。
最大14のオブジェクトと2から4のロボットからなるチームによる広範囲な模擬試行の中で、MultiPushは、ベースラインに比べて最大16%のペースでメイクパンを削減し、最大2.9倍の計画時間を要した。
制約空間における2台と3台のロボット(1/10スケールのレースカー)による12個のオブジェクトの再配置を含む実世界のシナリオでMultiPushを実演する。
関連論文リスト
- Learning Multi-Agent Local Collision-Avoidance for Collaborative Carrying tasks with Coupled Quadrupedal Robots [6.448258402568988]
本研究は、搬送対象物に機械的に接続された2つの四足歩行ロボットに焦点を当てる。
本稿では,近くの障害物との衝突を回避しつつ,命令された速度方向の追跡を可能にする強化学習に基づくポリシーを提案する。
球状接合によりバーに接続された2つの四足歩行ロボットに対するアプローチを検証し,最適化ベースおよび分散RLベースラインに対してベンチマークを行った。
論文 参考訳（メタデータ） (2026-03-24T14:42:20Z) - RoboBallet: Planning for Multi-Robot Reaching with Graph Neural Networks and Reinforcement Learning [5.558796588722835]
現代のロボット製造では、共有された障害物の多いワークスペースで多くのタスクを完了するために、衝突のない複数のロボットの調整が必要である。
既存のマルチアームシステムは、労働集約的なプロセスで手動で実現可能な軌道を設計するための人間の直感と経験に依存している。
障害物の多い環境下でテストし,40個の到達タスクを実行する8つのロボットを用いて,自律的なタスクと動作計画を実現するための強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-05T14:28:34Z) - REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。
ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
論文 参考訳（メタデータ） (2025-03-28T03:51:40Z) - Scalable Multi-Robot Informative Path Planning for Target Mapping via Deep Reinforcement Learning [11.134855513221359]
マルチロボットインフォーマティブパス計画問題に対する深層強化学習手法を提案する。
ここでは、各ロボットが発見した目標を最大化し、未知の静的障害物を回避し、ロボット同士の衝突を防ぐ。
提案手法は、発見対象数において、最先端のアプローチを少なくとも26.2%上回っている。
論文 参考訳（メタデータ） (2024-09-25T14:27:37Z) - Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - 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) - Creating a Dynamic Quadrupedal Robotic Goalkeeper with Reinforcement
Learning [18.873152528330063]
本稿では,4足歩行ロボットが実世界でサッカーのゴールキーピングタスクを実行できる強化学習(RL)フレームワークを提案する。
四足歩行を用いたサッカーのゴールキーピングは難しい問題であり、非常にダイナミックな移動と、正確で高速な非包括的(ボール)操作を組み合わせたものである。
提案するフレームワークをMini Cheetah四脚ロボットにデプロイし,実世界における高速移動球のアジャイルインターセプションにおけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2022-10-10T04:54:55Z) - GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。
本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。
我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
論文 参考訳（メタデータ） (2022-09-12T15:14:32Z) - Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。
本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。
我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文 参考訳（メタデータ） (2021-09-19T18:00:51Z) - Large Scale Distributed Collaborative Unlabeled Motion Planning with
Graph Policy Gradients [122.85280150421175]
本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。
ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
論文 参考訳（メタデータ） (2021-02-11T21:57:43Z) - Integer Programming for Multi-Robot Planning: A Column Generation
Approach [21.217989597414384]
本研究では,倉庫内のロボット群を,一定時間内に達成した報酬を最大化するために調整する問題を考察する。
本稿では,ロボットが占有できる時空の位置として要素が定義される重み付けセットパッキング問題として,その問題を定式化する。
ロボットは衝突せず、各アイテムが最大1回配達され、常にアクティブなロボットの数が利用可能な総数を超えないことを強制する。
論文 参考訳（メタデータ） (2020-06-08T18:19:14Z)
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。