論文の概要: Scalable Multi-Human Cooperative Manipulation via Commander-Executor Coordination

• arxiv url: http://arxiv.org/abs/2610.14911v1
• Date: Sat, 10 Oct 2026 13:34:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:06:26.723286
• Title: Scalable Multi-Human Cooperative Manipulation via Commander-Executor Coordination
• Title（参考訳）: Command-Executor Coordinationによるスケーラブルなマルチヒューマン協調操作
• Abstract要約: マルチヒューマン・コラボレーティブ・オブジェクト操作は、ヒューマノイド制御において非常に困難なトピックである。 本稿では,複数のエージェントが複雑な協調作業を行うことを可能にする階層的な指揮執行者フレームワークを提案する。 本手法は最先端の手法と比較して高い成功率を達成する。
• 参考スコア（独自算出の注目度）: 10.829067774032694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-human cooperative object manipulation is a highly challenging topic in humanoid control. While existing methods can handle simple collaborative carrying tasks, they struggle with role-dependent, long-horizon, and sequential cooperative manipulation. To address this issue, we propose a hierarchical commander-executor framework that enables multiple agents to accomplish complex collaborative tasks in distinct ways. Specifically, a commander combines instructions and scene information for joint semantic and geometric planning. It then decomposes the task into role-specific subtasks and generates shared object-centric coordination plans, specifying execution timing, target positions, and manipulation actions for each agent. Conditioned on the commander's high-level strategy and each agent's local observations, the executor learns a low-level physics-based policy through a solo-to-cooperative curriculum to realize coordinated human-object interactions. The planned object trajectory provides a shared coordination target, while root positions and grasping instructions specify role-dependent execution cues. We evaluate our method on a variety of object manipulation tasks, demonstrating its ability to execute long-horizon tasks that combine different types of collaboration and to scale from two-agent to multi-agent cooperation. Extensive experiments further show that our approach achieves higher success rates compared to state-of-the-art methods. Code will be made publicly available at https://github.com/TJU-3DV/Co-Manipulation.
• Abstract（参考訳）: マルチヒューマン・コラボレーティブ・オブジェクト操作は、ヒューマノイド制御において非常に困難なトピックである。 既存の手法は単純な協調輸送タスクを扱えるが、役割に依存し、長い水平、連続的な協調操作に苦慮している。 この問題に対処するために、複数のエージェントが異なる方法で複雑な協調作業を行うことを可能にする階層的な指揮執行者フレームワークを提案する。 具体的には、コマンドとシーン情報を組み合わせて、共同意味論と幾何学的計画を行う。 その後、タスクをロール固有のサブタスクに分解し、各エージェントの実行タイミング、ターゲット位置、操作アクションを指定する、共有オブジェクト中心の調整計画を生成する。 指揮官の高レベルの戦略と各エージェントの局部的な観察に基づいて、執行者は、単独から協力的なカリキュラムを通じて低レベルの物理ベースのポリシーを学び、協調された人間とオブジェクトの相互作用を実現する。 計画されたオブジェクトトラジェクトリは、共有コーディネーションターゲットを提供し、ルート位置とグルーピング命令は、ロールに依存した実行キューを指定する。 本手法は多種多様なオブジェクト操作タスクにおいて評価され,多種多様なタイプの協調作業と,二エージェントから多エージェントの協調作業にスケールする長軸タスクの実行能力を示す。 さらに大規模な実験により,本手法は最先端の手法と比較して高い成功率を達成することが示された。 コードはhttps://github.com/TJU-3DV/Co-Manipulation.comで公開される。

関連論文リスト

• From Solo to Ensemble: A Hierarchical Framework for Composable Multi-Agent Human-Object Interaction [30.74235271646434]
  物理学に基づく人間と物体の相互作用は、堅牢な単一エージェント操作技術を達成した。 本稿では,単一エージェントのHOIポリシーを再利用可能なオブジェクト指向運動スキルに変換する階層型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-08T11:24:20Z)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• An Efficient Approach for Cooperative Multi-Agent Learning Problems [0.8287206589886881]
  本稿では,複数のエージェントの同時動作をモデル化する政策学習のための中心的枠組みを提案する。 本手法は,集中型手法に典型的なスケーラビリティ問題を克服する逐次的抽象化によるコーディネーション問題に対処する。 実験の結果,提案手法は多様なマルチエージェント学習環境におけるエージェントのコーディネートに成功していることがわかった。
  論文  参考訳（メタデータ） (2025-04-07T09:03:35Z)
• CaPo: Cooperative Plan Optimization for Efficient Embodied Multi-Agent Cooperation [98.11670473661587]
  CaPoは,1)メタプラン生成,2)プログレッシブなメタプランと実行の2つのフェーズで協調効率を向上する。 3Dworld Multi-Agent TransportとCommunicative Watch-And-Helpタスクの実験結果は、CaPoが最先端技術と比較してタスク完了率と効率をはるかに高めることを示した。
  論文  参考訳（メタデータ） (2024-11-07T13:08:04Z)
• A Unified Architecture for Dynamic Role Allocation and Collaborative Task Planning in Mixed Human-Robot Teams [0.0]
  任意のサイズの混合ロボットチームにおいて,動的役割割り当てと協調作業計画のための新しいアーキテクチャを提案する。 このアーキテクチャは、動作木(BT)に基づく集中型リアクティブかつモジュール型タスク非依存の計画手法を基盤としている。 MILPコストとして使用されるさまざまなメトリクスにより、アーキテクチャはコラボレーションの様々な側面を好むことができる。
  論文  参考訳（メタデータ） (2023-01-19T12:30:56Z)
• A Cordial Sync: Going Beyond Marginal Policies for Multi-Agent Embodied Tasks [111.34055449929487]
  エージェントが協力して家具をリビングルームに移動させるという,新しいタスクFurnMoveを紹介した。 既存のタスクとは異なり、FurnMoveはエージェントが各タイミングで調整する必要がある。 既存の分散化されたアクションサンプリング手順は、表現力のある共同アクションポリシーを許さない。 SynC-policiesとCORDIALを用いて、我々のエージェントはFurnMoveで58%の完成率を達成する。
  論文  参考訳（メタデータ） (2020-07-09T17:59:57Z)

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。