論文の概要: Fast Planning for Multi-object Multi-target Throwing

• arxiv url: http://arxiv.org/abs/2610.09224v1
• Date: Tue, 06 Oct 2026 23:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.647248
• Title: Fast Planning for Multi-object Multi-target Throwing
• Title（参考訳）: 多目的多目的投球の高速計画法
• Abstract要約: 1回のスワイプで複数のオブジェクトを投げる戦略を開発します。 これは、短い軌道時間と短い計画時間の間の複雑なトレードオフを含む。 シミュレーションでは、コーディネートされた2オブジェクトの投球は実行時間を最大46%短縮する。 結果はMOMT投球のための最初の統合計画フレームワークを確立する。
• 参考スコア（独自算出の注目度）: 10.702670589466718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot throwing has emerged as a promising technique for improving efficiency in logistics and warehouse automation, by enlarging the workspace and speeding up the process. To significantly increase the throwing system's throughput, we develop strategies for throwing multiple objects in one swipe. Such multi-object multi-target throwing (MOMT) leverages the large degrees of freedom of anthropomorphic hands. The key is to quickly generate fast and feasible throwing motions, which involves a complex trade-off between short trajectory duration and short planning time. We solve this problem in two stages. Offline, we build a model of the feasible set by combining object's inverted flying dynamics and the robot's kinematics and dynamics. Online, we generate feasible throws through fast solution matching and filtering of object's valid detach state and robot's feasible state that can compose sequences of throws in less than 5 ms. We validate the framework on a 7-DoF manipulator equipped with a multi-fingered hand. In simulation, coordinated two-object throwing reduces execution time by up to 46% compared to independent single-object planning, and this improvement is maintained when scaling to three objects. Real-world experiments with two objects confirm a 29% reduction; the remaining gap to the theoretical 50% is attributed to inter-throw transition overhead. When target positions are randomly changed mid-execution, the system re-plans and successfully reaches the new targets within 100 ms latency without stopping the robot. These results establish the first unified planning framework for MOMT throwing -- demonstrating scalability to multiple objects in simulation and real-world feasibility on two-object tasks -- advancing the frontier of high-throughput robotic manipulation. A video summarizing the method and the hardware experiments is available at https://liuyangdh.github.io/momt-video
• Abstract（参考訳）: ロボット投げは、作業スペースを拡大し、プロセスをスピードアップすることで、物流と倉庫の自動化の効率を改善するための有望な技術として登場した。 投球システムのスループットを大幅に向上させるため,複数物体を1回のスワイプで投球する手法を開発した。 このような多目的多目的投射(MOMT)は人為的手の自由度を大いに生かしている。 鍵となるのは、短い軌道と短い計画時間の間の複雑なトレードオフを含む高速で実現可能な投球動作を迅速に生成することである。 この問題を2段階に分けて解決する。 オフラインでは、物体の逆空動力学とロボットの運動力学とダイナミクスを組み合わせることで、実現可能な集合のモデルを構築する。 オンライン上では,物体の有効な剥離状態の高速な解マッチングとフィルタリングにより,5ms未満のスロー列を構成することが可能なロボットのファシブル・スローを生成し,多指ハンドを備えた7-DoFマニピュレータ上でのフレームワークの有効性を検証する。 シミュレーションでは,2オブジェクトの協調投棄により,独立した単一オブジェクト計画に比べて実行時間が最大46%削減され,この改善は3つのオブジェクトにスケーリングする場合に維持される。 2つの物体による実世界の実験では29%の減少が確認され、理論上の50%への残りのギャップは、スロット間の遷移のオーバーヘッドに起因する。 目標位置がランダムに変更されると、システムは再計画し、ロボットを停止させることなく100ミリ秒以内に新しい目標に到達する。 これらの結果は、MOMT投球のための最初の統一的な計画フレームワークを確立し、シミュレーションにおける複数のオブジェクトへのスケーラビリティと、2つのオブジェクトタスクの現実的な実現可能性を示し、ハイスループットなロボット操作のフロンティアを前進させる。 メソッドとハードウェアの実験を要約したビデオがhttps://liuyangdh.github.io/momt-videoで公開されている。

関連論文リスト

• WorldLine: Action-Driven Visual Simulation for Robotic Manipulation [87.68211863253049]
  実世界のロボット学習は、経験を収集し、候補行動を評価するコストに制約される。 異種アクショングラウンドから学習した移動可能なダイナミクスを分離する,アクション駆動型ビジュアルシミュレータ WorldLine を紹介する。 WorldLineは、1万時間以上のアクションフリーロボットビデオから操作のダイナミクスを学び、2000時間以上のアクショントラジェクトリを使ってそれらをグラウンドする。
  論文  参考訳（メタデータ） (2026-09-29T17:26:22Z)
• CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
  ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。 このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。 シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
  論文  参考訳（メタデータ） (2026-09-07T13:47:22Z)
• DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
  このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
  論文  参考訳（メタデータ） (2026-07-10T15:31:04Z)
• Object-Informed Model Predictive Path Integral Control for Non-Prehensile Robot Manipulation [7.6557550594212715]
  非包括的ロボット操作のための長期計画は、不安定で不連続な相互作用のために困難である。 本稿では,モデル予測経路積分(MPPI)制御の階層的定式化を提案する。 6-DoF xArm6 マニピュレータを用いて物体押出作業を行うシミュレーションとハードウェアの両方で本手法の評価を行った。
  論文  参考訳（メタデータ） (2026-05-29T03:10:44Z)
• Learning to Throw-Flip [11.364182432162863]
  本稿では,ロボットが所望の着地ポーズに対して,オブジェクトを正確に「スローフリップ」することができる方法を提案する。 我々は寄生虫の回転を効果的に分離する投球運動の族を設計する。 私たちのフレームワークは、数十の試行において、ポーズターゲットにオブジェクトを投げる(pm$5 cm, $pm$45 °)ことができる。
  論文  参考訳（メタデータ） (2025-10-11T22:18:09Z)
• 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)
• Dynamic Handover: Throw and Catch with Bimanual Hands [30.206469112964033]
  この問題を解決するために、ロボットアームに2本の指を取り付けたシステムを設計する。 シミュレーションにおいてマルチエージェント強化学習を用いてシステムを訓練し、実ロボットにデプロイするためのSim2Real転送を実行する。 Sim2Realのギャップを克服するために、オブジェクトの軌道予測モデルを学ぶことを含む、複数の新しいアルゴリズム設計を提供する。
  論文  参考訳（メタデータ） (2023-09-11T17:49:25Z)
• Planning for Complex Non-prehensile Manipulation Among Movable Objects by Interleaving Multi-Agent Pathfinding and Physics-Based Simulation [23.62057790524675]
  重いクラッタにおける現実世界の操作問題は、ロボットが環境内の物体との潜在的な接触を推論する必要がある。 そこで我々は,対象物を棚から取り出すためのピック・アンド・プレイス・スタイルのタスクに焦点を合わせ,そのタスクを解決するために移動可能なオブジェクトを並べ替える必要がある。 特に、我々のモチベーションは、ロボットが複雑なロボットオブジェクトとオブジェクトオブジェクトの相互作用を引き起こす非包括的再配置動作を推論し、検討できるようにすることである。
  論文  参考訳（メタデータ） (2023-03-23T15:29:27Z)
• Unified Control Framework for Real-Time Interception and Obstacle Avoidance of Fast-Moving Objects with Diffusion Variational Autoencoder [2.5642257132861923]
  動的環境におけるロボットアームによる高速移動物体のリアルタイムインターセプションは、非常に困難な課題である。 本稿では,動的オブジェクトを同時にインターセプトし,移動障害を回避することで,課題に対処する統一的な制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-27T18:46:52Z)
• V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects [51.79035249464852]
  本稿では,音声による物体のマルチアーム操作を学習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,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
  論文  参考訳（メタデータ） (2021-11-07T02:31:09Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。