論文の概要: Non-Prehensile Multi-Object Placement with Mobile Robots via Diffusion-Based Trajectory Planning
- arxiv url: http://arxiv.org/abs/2610.12684v1
- Date: Thu, 08 Oct 2026 20:09:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.263695
- Title: Non-Prehensile Multi-Object Placement with Mobile Robots via Diffusion-Based Trajectory Planning
- Title（参考訳）: 拡散型軌道計画による移動ロボットによる非定常多目的配置
- Abstract要約: 我々は,移動ロボットによる多目的プッシュを,厳密な許容条件下での多目的割当問題として定式化する。
提案手法は,移動ロボットの誘導とベスト・オブ・N$サンプリングの両方に使用される,プッシュ特化コストのセットを設計する。
Push-Tでは、我々のプランナーは、我々が比較した手法の最高成功率を達成し、また、最も低い可聴性物体運動率を持つ。
- 参考スコア（独自算出の注目度）: 8.968961099877538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-prehensile manipulation with mobile robots has primarily targeted placement in coarse goal regions. Precision placement has been studied with manipulators on benchmarks such as Push-T, where an omnidirectional end effector can readily re-approach an object from any side. For a mobile robot, correcting the same placement errors may require wide repositioning maneuvers around the object. We formalize multi-object pushing with a mobile robot as a multi-target assignment problem at tight tolerances. We propose a diffusion planner with a causal factorization: each robot denoising step is followed by an object step conditioned on the current clean robot estimate. This factorization allows us to sample multiple object outcomes for a single robot plan, capturing the multi-modality of pushing. We also design a set of pushing-specific costs for mobile robots, used for both guidance and best-of-$N$ sampling at inference. On Push-T, our planner attains the highest success rate of the methods we compare, while having the lowest rate of implausible object motion. Across three multi-box pushing environments resembling warehouse scenarios, it raises the fraction of boxes placed by $21.5$ percentage points over an unguided baseline, and replans $1.8\times$ faster than a planner that denoises the two trajectories together. Lastly, we deploy the guided planner on a TurtleBot 3 Burger with object shapes absent from the training data, where it places $85.0\%$ of objects within tolerance against Diffusion Policy's $37.5\%$.
- Abstract（参考訳）: 移動ロボットによる非包括的操作は主に粗い目標領域の配置を目標としている。
精密配置は、Push-Tのようなベンチマークでマニピュレータを用いて研究されており、一方向のエンドエフェクターは、任意の側から容易にオブジェクトを再適用することができる。
移動ロボットの場合、同じ配置誤差を補正するには、物体の周りを広範囲に再配置する必要がある。
我々は,移動ロボットによる多目的プッシュを,厳密な許容条件下での多目的割当問題として定式化する。
本稿では, 因果分解を考慮した拡散プランナを提案し, それぞれのロボットの認知ステップに, 現在のクリーンロボット推定値に照らされたオブジェクトステップを追従する。
この因子化により、1つのロボット計画に対して複数のオブジェクトの結果をサンプリングすることができ、プッシュのマルチモーダリティをキャプチャできる。
また,モバイルロボットのためのプッシュ特化コストのセットを設計し,推論におけるガイダンスとベスト・オブ・N$サンプリングの両方に使用した。
Push-Tでは、我々のプランナーは、我々が比較した手法の最高成功率を達成し、また、最も低い可聴性物体運動率を持つ。
倉庫のシナリオに類似した3つのマルチボックスプッシュ環境において、無誘導ベースライン上で21.5ドルのパーセンテージのボックスを配置し、これら2つのトラジェクトリを同一視するプランナーよりも1.8\times$高速にリプランする。
最後に、トレーニングデータからオブジェクトの形状が欠落したTurtleBot 3 Burgerにガイドプランナーをデプロイし、Diffusion Policyの37.5$に対して、許容範囲内にあるオブジェクトの85.0%を配置します。
関連論文リスト
- 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) - QDTraj: Exploration of Diverse Trajectory Primitives for Articulated Objects Robotic Manipulation [2.7261369763665377]
本稿では,ロボットが広い範囲の明瞭な物体を操作できるようにする手法を提案する。
我々は,ロボットの低レベル軌道プリミティブを自動生成し,与えられた物体の調音を操作できる。
QDTrajはヒンジとスライダのアクティベーションタスクの少なくとも5倍の多様な軌道を生成する。
論文 参考訳（メタデータ） (2026-04-24T13:45:04Z) - EasyMimic: A Low-Cost Framework for Robot Imitation Learning from Human Videos [51.158081196253626]
EasyMimicは、人間のビデオデモからロボットが操作ポリシーを学習することを可能にするフレームワークである。
本手法は,まずビデオから手指の3次元軌跡を抽出する。
アクションアライメントモジュールは、これらの軌道を低コストロボットのグリップ制御空間にマッピングする。
論文 参考訳（メタデータ） (2026-02-12T00:41:01Z) - 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) - Planning Robot Placement for Object Grasping [5.327052729563043]
物体の摘み取りなどの操作に基づく活動を行う場合、移動ロボットは、実行を成功させる位置で基地を位置決めする必要がある。
この問題に対処するために、顕著なアプローチは、通常、対象のオブジェクトに対する把握ポーズを提供するために、プランナーを高価に把握することに依存する。
そこで我々は,まず環境との衝突を起こさないロボット配置を見つけ,次に最適な配置候補を見出すよう評価する。
論文 参考訳（メタデータ） (2024-05-26T20:57:32Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳（メタデータ） (2024-05-02T17:56:55Z) - Polybot: Training One Policy Across Robots While Embracing Variability [70.74462430582163]
複数のロボットプラットフォームにデプロイするための単一のポリシーをトレーニングするための重要な設計決定セットを提案する。
われわれのフレームワークは、まず、手首カメラを利用して、我々のポリシーの観察空間と行動空間を具体化して調整する。
6つのタスクと3つのロボットにまたがる60時間以上のデータセットを用いて,関節の形状や大きさの異なるデータセットの評価を行った。
論文 参考訳（メタデータ） (2023-07-07T17:21:16Z) - 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) - Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic
Platforms [60.59764170868101]
強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。
私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。
我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
論文 参考訳（メタデータ） (2021-03-05T14:16:20Z)
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。