論文の概要: Multi-Robot Multi-Goal Motion Planning with Stochastic Skills

• arxiv url: http://arxiv.org/abs/2610.07784v1
• Date: Tue, 06 Oct 2026 05:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.827136
• Title: Multi-Robot Multi-Goal Motion Planning with Stochastic Skills
• Title（参考訳）: 確率的スキルを用いたマルチロボット多目的運動計画
• Abstract要約: 複雑な操作スキルに関する同時動作の計画が不可欠である。 計画時のスキルの不確実性 このアプローチは 保守的なベースラインの悲観主義を避けます プランナーのコードはhttps://www.vhartmann.com/stochastic-skills.comで公開されている。
• 参考スコア（独自算出の注目度）: 20.98931947439292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As robots are increasingly deployed in groups and share workspaces to execute real-world tasks, planning their concurrent motions around complex manipulation skills becomes essential. These skills involve continuous physical execution and may exhibit stochastic behavior, resulting in variable execution times and uncertain continuous trajectories. Existing planners either limit execution to single-robot scenarios, rely on open-loop paths, or use post-hoc scheduling that prevents dynamic coordination. In this paper, we address this gap by integrating stochastic skills into sampling-based multi-robot planning by formulating the problem as a Markov Decision Process (MDP) over a multi-modal composite roadmap. For stochastic skills, solving the MDP yields a reactive policy that allows controllable robots to dynamically adapt their motions in response to other robots' execution of manipulation skills. By resolving skill uncertainty directly at planning time, this approach avoids the pessimism of conservative baselines and unlocks robust, dynamic multi-robot coordination. Code for the planners is available at https://www.vhartmann.com/stochastic-skills.
• Abstract（参考訳）: ロボットはますますグループにデプロイされ、現実のタスクを実行するワークスペースを共有しているため、複雑な操作スキルを中心とした同時動作の計画が不可欠である。 これらのスキルは連続的な身体的実行を伴い、確率的な振る舞いを示し、結果として様々な実行時間と不確実な連続的な軌跡をもたらす。 既存のプランナは、実行をシングルロボットのシナリオに制限するか、オープンループパスに依存するか、動的調整を防ぐためにポストホックスケジューリングを使用する。 本稿では,マルチモーダル複合ロードマップ上でのマルコフ決定プロセス (MDP) として問題を定式化することにより,確率的スキルをサンプリングベースマルチロボット計画に統合することで,このギャップに対処する。 確率論的スキルでは、MDPの解法は、他のロボットの操作スキルの実行に応じて、制御可能なロボットが動的に動作に適応できる反応ポリシーをもたらす。 計画時のスキルの不確実性を直接解決することにより、保守的なベースラインの悲観主義を回避し、堅牢で動的なマルチロボット協調を解き放つ。 プランナーのコードはhttps://www.vhartmann.com/stochastic-skills.comで公開されている。

関連論文リスト

• A Closed-Loop Multi-Agent Framework for Robust Multi-Robot Manipulation [37.78546236286294]
  大規模言語モデル(LLM)は、目的を実行可能な計画に分解する推論機能を提供する。 本稿では,ロバストなマルチロボット操作を実現するための階層型クローズドループエージェントフレームワークを提案する。 本システムは3つの特殊エージェントから構成される: 計画エージェントは、割り当てられたサブタスクに指示を分解し、各ロボットの操作エージェントは、適応ツール使用によるアクションを実行し、検証エージェントは、物理的な結果を監視し、意味的訂正をフィードバックすることでループを閉じる。
  論文  参考訳（メタデータ） (2026-07-08T04:23:41Z)
• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。 既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。 本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
  重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。 本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:06:51Z)
• 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)
• Beyond Task and Motion Planning: Hierarchical Robot Planning with General-Purpose Policies [32.85839714467011]
  キネマティックスキルとクローズドループモーターコントローラの両方で計画する上での課題に対処する。 本稿では,これらのコントローラを,構成可能なインタラクションプリミティブを用いた動作計画に統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-24T19:22:50Z)
• 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)
• Learning to Coordinate for a Worker-Station Multi-robot System in Planar Coverage Tasks [16.323122275188354]
  ランダムな動的干渉器を有する大規模平面領域におけるマルチロボットカバレッジパス計画問題に着目する。 本稿では,実際の作業に必要なリソースが限られている複数の作業者と,資源補給に十分なリソースを持つ1つのステーションからなる作業者ステーションMSSを紹介する。 本稿では、労働者のカバレッジプランニングと駅のランデブープランニングを同時に解決する、エンドツーエンドの分散オンラインプランニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T05:36:42Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。