論文の概要: DD-GBP: Anytime Multi-Arm Planning and Continuous Execution via Distributed Dynamic Gaussian Belief Propagation

• arxiv url: http://arxiv.org/abs/2610.20460v1
• Date: Wed, 14 Oct 2026 16:43:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.2552
• Title: DD-GBP: Anytime Multi-Arm Planning and Continuous Execution via Distributed Dynamic Gaussian Belief Propagation
• Title（参考訳）: DD-GBP:分散動的ガウス的信念伝播によるマルチアーム計画と連続実行
• Abstract要約: 共同空間軌跡を直接計画する分散動的ガウス的信念伝搬法(DD-GBP)を提案する。 統一ガウス過程(GP)パラメータ化は、適応的な計画の地平線、非同期時間要素、連続実行を接続する。
• 参考スコア（独自算出の注目度）: 10.139303648838315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safely executing long-horizon multi-arm tasks online in complex dynamic environments remains challenging. We propose a new distributed dynamic Gaussian belief propagation (DD-GBP) method that directly plans joint-space trajectories through parallel local inference. A unified Gaussian-process (GP) parameterization connects adaptive planning horizons, interpolation-time factors, and continuous execution. Each robot maintains a local tree-structured factor graph and exchanges messages asynchronously over active inter-arm links. Dynamic subnet reconstruction and event-triggered updates reduce communication and inference costs while responding to moving obstacles. We also provide theoretical analyses of local inference accuracy, anytime early stopping, triggered-replanning consistency, and GP-consistent execution. In 50 long-horizon, multi-target four-arm scenes with moving obstacles, DD-GBP achieves $92.5\%$ collision-free all-target completion and the highest success rate among six representative baselines. Scenario ablations demonstrate long-horizon safety and robustness to communication impairment and extreme conditions; success remains $86.0\%$ under $90\%$ packet loss. Execution results further show substantially suppressed extreme velocity and acceleration peaks relative to Syn-GBP. On one workstation, obstacle-free tests with 30 coexisting arms retain $99.87\%$ success and a $15.80$ ms mean warm solve, exceeding 60 Hz and outperforming the compared methods in scalability. Dual-arm transport experiments under dynamic interference demonstrate online response and practical deployability. To the best of our knowledge, these results establish a new state of the art for online long-horizon multi-arm planning in dynamic scenes.
• Abstract（参考訳）: 複雑な動的環境で長時間のマルチアームタスクをオンラインで安全に実行することは、依然として困難である。 並列な局所的推論により,共同空間軌跡を直接計画する分散動的ガウス的信念伝搬法(DD-GBP)を提案する。 統一ガウス過程(GP)パラメータ化は、適応的な計画水平線、補間時間要素、連続実行を接続する。 各ロボットは、局所的な木構造因子グラフを保持し、アクティブなアーム間リンク上でメッセージを非同期に交換する。 動的サブネット再構築とイベントトリガー更新により、移動障害に対応しながら通信と推論コストが削減される。 また,局所的推測精度,早期停止,トリガ計画整合性,GP一貫性の実行について理論的解析を行った。 DD-GBPは、移動障害のある50の長距離多目的4連射シーンにおいて、92.5\%の衝突のない全目標完走を実現し、6つの代表ベースラインの中で最も成功率が高い。 シナリオの短縮は、通信障害と極端な条件に対する長期の安全性と堅牢性を示している。 さらに,Syn-GBPと比較して,極速度および加速ピークが著しく抑制された。 1つのワークステーションでは、30本の腕を持つ障害物のないテストは99.87 %$成功し、15.80 % msは60Hzを超える温かい解法であり、比較した手法よりもスケーラビリティが優れている。 動的干渉下でのデュアルアーム輸送実験は、オンライン応答と実用的展開性を示す。 我々の知る限り、これらの結果は動的シーンにおけるオンラインロングホライゾン・マルチアーム・プランニングのための新しい最先端技術を確立している。

関連論文リスト

• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• LePlanner: An Iterative Amortized Controller For World Models [0.0]
  本研究では,凍結したワールドモデル予測器を用いて遅延動作シーケンスの構築と洗練を学習する,償却反復制御器LePlannerを提案する。 LePlannerは、最初期の地平線で目標に達するようコントローラに促し、そこに留まるよう、到着と保持の目的で訓練されている。 成功率はPushTが98%、Reacherが100%、TwoRoomsが100%、OGBench Cubeが92%である。
  論文  参考訳（メタデータ） (2026-09-12T10:01:21Z)
• HiRAD: A Flexible Large-Scale AGV Routing System [6.059667257410882]
  実時間保証付き連続空間AGVルーティングのための階層的RLフレームワークであるHiRADを提案する。 HiRADはフェイスパンを45%減らして63%減らし、エンドツーエンドのランタイムを短縮する。
  論文  参考訳（メタデータ） (2026-09-09T05:50:17Z)
• CADENCE: Predicting Realized MAPF Execution Time Beyond Sum of Costs [0.8602553195689513]
  Multi-Agent Path Finding (MAPF)アルゴリズムは、産業倉庫やロボット共有ワークスペースにおけるロボットチームの動きを計画するために、ますます使われている。 しかし、SoC(Sum of Costs)やMakepan、プランナーランタイムといった標準的なMAPFアルゴリズム評価メトリクスは、プランナーの選択が現実的な実行パフォーマンスにどのように変換するかを曖昧にします。 CADENCEは、7つのディファレンシャルドライブロボットを用いた固定された7×7ワークセル上のこの評価ギャップに関するハードウェア研究である。
  論文  参考訳（メタデータ） (2026-06-03T11:28:09Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators [1.157930969832493]
  マニピュレータの関節空間における計画は、非可逆的な前方運動学による重要な課題を呈する。 Many-RRT* は RRT*-Connect の拡張であり、複数の目標を並行して計画している。
  論文  参考訳（メタデータ） (2026-03-04T19:31:37Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Dynamic Speculative Agent Planning [57.630218933994534]
  大規模な言語モデルベースのエージェントは、遅延の禁止と推論コストのために、重要なデプロイメント課題に直面している。 本稿では,オンライン強化学習フレームワークである動的投機計画(Dynamic Speculative Planning, DSP)を紹介する。 2つの標準エージェントベンチマークの実験では、DSPは高速加速法に匹敵する効率を達成し、総コストを30%削減し、不要コストを60%まで削減している。
  論文  参考訳（メタデータ） (2025-09-02T03:34:36Z)

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。