論文の概要: APTree: Extended Behavior Trees for Adaptive and Scalable Automated Robotic Task Planning in Construction
- arxiv url: http://arxiv.org/abs/2610.18523v1
- Date: Tue, 13 Oct 2026 15:12:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.651775
- Title: APTree: Extended Behavior Trees for Adaptive and Scalable Automated Robotic Task Planning in Construction
- Title（参考訳）: APTree:建設における適応的でスケーラブルなロボットタスク計画のための拡張行動木
- Abstract要約: 既存のアプローチは、スケーラブルでモジュール化されたタスク計画とローカライズされたランタイムのリプランニングを限定的にサポートする。
本稿では,自動タスク計画とモジュール型タスク実行を統合したモデル駆動型フレームワークであるAPTreeを提案する。
実世界のLivMatS Biomimetic Shellパビリオン上でのAPTreeの評価を行った。
- 参考スコア（独自算出の注目度）: 1.0295754142142688
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Task planning for robots in off-site construction prefabrication is primarily manual, leading to planning inefficiencies and reluctance to adopt robotic solutions. Existing approaches provide limited support for scalable, modular automated task planning and localized runtime replanning. This paper proposes APTree, a model-driven framework that integrates automated task planning with modular task execution using behavior trees as the execution model. APTree repeatedly applies and coordinates heterogeneous symbolic planners to automatically generate and compose modular task plans at runtime. To support this approach, we develop a domain-specific language for the formal specification and validation of task plans, together with a compatible execution engine. We evaluate APTree on the real-world livMatS Biomimetic Shell pavilion, where it models the construction robotic fabrication domain, detects injected specification and planning errors at design time and runtime, and automatically generates large-scale task plans by coordinating three symbolic planners across numerous planning modules. A machine-checked formal analysis further shows that composed execution and local replanning are safe under explicitly stated assumptions, including planner soundness and non-interference of generated plans, providing practitioners with explicit conditions for dependable plan composition. APTree thus enables construction practitioners to leverage automated task planning without requiring detailed knowledge of symbolic planning techniques or APTree's internal implementation.
- Abstract（参考訳）: オフサイト建設プレファブリケーションにおけるロボットのタスクプランニングは、主に手作業であり、ロボットソリューションを採用するための非効率性とレラクタンスを計画する。
既存のアプローチは、スケーラブルでモジュール化されたタスク計画とローカライズされたランタイムのリプランニングを限定的にサポートする。
本稿では,自動タスク計画とモジュール型タスク実行を統合したモデル駆動型フレームワークであるAPTreeを提案する。
APTreeは、実行時にモジュラータスクプランを自動的に生成し構成するために、異種シンボリックプランナーを繰り返し適用し、調整する。
このアプローチを支援するために,タスク計画の形式的仕様と検証のためのドメイン固有言語と,互換性のある実行エンジンを開発した。
実世界のLivMatS Biomimetic Shellパビリオン上でのAPTreeの評価を行い,建設ロボットの製作領域をモデル化し,設計時と実行時の仕様や計画上のエラーを検出し,多数の計画モジュールをまたいだ3つの象徴的プランナーをコーディネートすることで,大規模タスクプランを自動生成する。
機械チェックによる形式解析により、構成された実行と局所的な再計画は、プランナーの健全性や生成した計画の非干渉を含む明示的な前提の下で安全であることが示され、実践者に信頼できる計画構成の明示的な条件が与えられる。
APTreeにより、建設作業者は、象徴的な計画手法やAPTreeの内部実装の詳細な知識を必要とせずに、自動化されたタスク計画を活用することができる。
関連論文リスト
- PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
計画は大規模言語モデル(LLM)の基本的な機能である
PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
論文 参考訳（メタデータ） (2026-05-20T08:10:15Z) - TodoEvolve: Learning to Architect Agent Planning Systems [68.48983335970901]
TodoEvolveは、タスク固有の計画を自律的に合成し、動的に修正するメタプランニングパラダイムである。
PlanFactoryは異種計画パターンの共通インターフェースを提供する。
TodoEvolveは、経済的なAPIコストとランタイムオーバーヘッドを維持しながら、慎重に設計された計画モジュールを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-08T06:37:01Z) - Towards High-Level Modelling in Automated Planning [0.36373653017571106]
Unified-Planningは、計画問題を特定し、自動プランナを呼び出すためのハイレベルAPIを提供するPythonライブラリである。
本稿では,高次問題モデリングのための表現性向上を目的としたUPライブラリの拡張について述べる。
論文 参考訳（メタデータ） (2024-12-09T09:01:13Z) - Learning adaptive planning representations with natural language
guidance [90.24449752926866]
本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。
Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
論文 参考訳（メタデータ） (2023-12-13T23:35:31Z) - A Framework for Neurosymbolic Robot Action Planning using Large Language Models [3.0501524254444767]
本稿では,象徴的タスク計画と機械学習アプローチのギャップを埋めることを目的としたフレームワークを提案する。
大規模言語モデル(LLM)を計画ドメイン定義言語(PDDL)と互換性のあるニューロシンボリックタスクプランナーに訓練する根拠
選択されたドメインにおける予備的な結果から, (i) テストデータセットの95.5%の問題を1,000個のサンプルで解決し, (ii) 従来のシンボルプランナーよりも最大13.5%短いプランを作成し, (iii) 計画の可利用性の平均待ち時間を61.4%まで削減する。
論文 参考訳（メタデータ） (2023-03-01T11:54:22Z) - Long-Horizon Planning and Execution with Functional Object-Oriented
Networks [79.94575713911189]
タスク計画と実行のためのFOONとしてオブジェクトレベルの知識を活用するというアイデアを紹介します。
提案手法では,FOONをPDDLに自動変換し,市販のプランナ,アクションコンテキスト,ロボットスキルを活用する。
我々はCoppeliaSimの長期タスクに対するアプローチを実証し、学習されたアクションコンテキストを、これまで見たことのないシナリオにどのように拡張できるかを示す。
論文 参考訳（メタデータ） (2022-07-12T19:29:35Z) - PlanSys2: A Planning System Framework for ROS2 [0.12073758871143175]
PlanSys2は、ロボティクスソフトウェア開発におけるEmデファクト標準の最新バージョンであるROS2における参照タスク計画フレームワークになることを目標としている。
ビヘイビアツリーに基づいた最適化された実行、新しいアクションオークションプロトコルによる計画、およびマルチロボット計画機能について強調することができる。
ユーザと開発者のコミュニティはすでに小さいが成長している。このドキュメントは、このプロジェクトの設計と機能の概要である。
論文 参考訳（メタデータ） (2021-07-01T11:24:44Z)
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。