論文の概要: REAP: Learning General Rearrangement Heuristics from Motion-Planner Feedback

• arxiv url: http://arxiv.org/abs/2610.23973v1
• Date: Mon, 12 Oct 2026 21:58:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:11:10.483856
• Title: REAP: Learning General Rearrangement Heuristics from Motion-Planner Feedback
• Title（参考訳）: REAP:モーションプランナーフィードバックから一般再配置ヒューリスティックスを学ぶ
• Abstract要約: 本稿では,リレーショナルグラフニューラルネットワークを単純な抽象概念で学習するフレームワークREAPを提案する。 運動プランナーは、トレーニング中に問題の隠れた幾何学的前提条件を付与する監督官として機能する。 古典的な検索や学習ベースラインと比較して、REAPはより多くの問題を解決し、およそ1桁少ないモーションプランナークエリを必要とする。
• 参考スコア（独自算出の注目度）: 7.09016563801433
• License:
• Abstract: Robotic rearrangement tasks require planning sequences of actions that fulfill high-level specifications while also being geometrically feasible. Symbolic abstractions make the combinatorial structure of rearrangement tasks tractable, but they usually do not fully capture the geometric constraints that determine which actions a robot can actually realize. These constraints are hard to express in the symbolic model. We propose REAP (Rearrangement with Elicited Action Preconditions), a framework in which a relational graph neural network heuristic is learned over a simple symbolic abstraction. A motion planner serves as a supervisor that elicits the hidden geometric preconditions of the problem during training. Deployed with greedy best-first search, the learned heuristic generalizes out-of-distribution along object count, plan length, and object arrangement, and can be trained jointly on several domains. Compared to classical heuristic search and learning-based baselines, REAP solves more problems, requires roughly an order of magnitude fewer motion-planner queries than comparable methods, and the action it ranks first is geometrically feasible in 94% of sampled states, against 22% for a random choice.
• Abstract（参考訳）: ロボット再構成タスクは、幾何学的に実現可能でありながら、ハイレベルな仕様を満たす一連のアクションを計画する必要がある。 記号的抽象は、再配置タスクの組合せ構造を抽出可能にするが、ロボットが実際に実現できるアクションを決定する幾何学的制約を完全には捉えない。 これらの制約はシンボリックモデルでは表現が難しい。 本稿では,リレーショナルグラフニューラルネットワークヒューリスティックを単純な抽象概念で学習するフレームワークであるREAP(Rearrangement with Elicited Action Preconditions)を提案する。 運動プランナーは、トレーニング中に問題の隠れた幾何学的前提条件を付与する監督官として機能する。 学習したヒューリスティックは、難解な最優先探索によって展開され、対象数、プラン長、オブジェクト配置に沿って分布のアウト・オブ・ディストリビューションを一般化し、複数のドメインで共同で訓練することができる。 古典的ヒューリスティック検索や学習ベースラインと比較して、REAPはより多くの問題を解決し、同等の手法よりも桁違いに少ないモーションプランナークエリを必要とする。

関連論文リスト

• CAD-Based Relation Learning and Geometric-Symbolic Planning for Robotic Assembly [0.8594140167290097]
  本稿では,学習に基づく関係抽出と幾何学的シンボリック推論を組み合わせたハイブリッドASPフレームワークを提案する。 ニューラルネットワークはポイントクラウドからセマンティックな関係を予測し、Human-in-the-loop検証は不確実な予測と計画上の失敗の修正を可能にする。 提案したハイブリッドフレームワークにより,CADデータから効率的なロボット組立計画が可能であり,計画時間を大幅に短縮できることを示す。
  論文  参考訳（メタデータ） (2026-09-15T14:43:25Z)
• From Real World to Logic and Back: Learning Generalizable Relational Concepts For Long Horizon Robot Planning [16.115874470700113]
  本稿では,ロボットが少数の生・未分割・無注釈のデモから直接,記号的・関係的概念を創出することを可能にする方法を提案する。 我々のフレームワークは手動のシンボルモデルと同等のパフォーマンスを達成し、一方、トレーニングをはるかに超越した実行地平線へのスケーリングを実現している。
  論文  参考訳（メタデータ） (2024-02-19T06:28:21Z)
• Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints [56.283944756315066]
  本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。 我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
  論文  参考訳（メタデータ） (2023-12-29T14:00:20Z)
• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• Compositional Generalization and Decomposition in Neural Program Synthesis [59.356261137313275]
  本稿では,学習プログラムシンセサイザーの合成一般化能力の測定に焦点をあてる。 まず、プログラム合成法が一般化されるであろういくつかの異なる軸を特徴付ける。 2つの一般的な既存のデータセットに基づいて、これらの能力を評価するためのタスクのベンチマークスイートを導入する。
  論文  参考訳（メタデータ） (2022-04-07T22:16:05Z)
• End-to-end Algorithm Synthesis with Recurrent Networks: Logical Extrapolation Without Overthinking [52.05847268235338]
  機械学習システムが問題を過度に考えずに論理的外挿を行う方法を示す。 本稿では,問題インスタンスの明示的なコピーをメモリに保持して,それを忘れないようにするリコールアーキテクチャを提案する。 また、モデルが数に固有の行動を学ぶのを防ぎ、無期限に繰り返される行動を学ぶためにモデルをプッシュするプログレッシブトレーニングルーチンも採用しています。
  論文  参考訳（メタデータ） (2022-02-11T18:43:28Z)
• Learning to Search in Task and Motion Planning with Streams [20.003445874753233]
  ロボット工学におけるタスク計画問題と動作計画問題は、個別のタスク変数に対するシンボリック計画と、連続状態および動作変数に対する動作最適化を組み合わせたものである。 対象と事実の集合を最優先的に拡張する幾何学的情報に基づく記号プランナを提案する。 ブロックスタッキング操作タスクにおいて,このアルゴリズムを7DOFロボットアームに適用する。
  論文  参考訳（メタデータ） (2021-11-25T15:58:31Z)
• Generalized Inverse Planning: Learning Lifted non-Markovian Utility for Generalizable Task Representation [83.55414555337154]
  本研究では,人間の実演からこのような有用性を学ぶことを研究する。 本稿では,本領域におけるユーティリティ学習のための新しい探索手法である一般化逆計画を提案する。 計算フレームワークである最大エントロピー逆計画(MEIP)について概説し、非マルコフ的効用と関連する概念を生成的に学習する。
  論文  参考訳（メタデータ） (2020-11-12T21:06:26Z)
• STRIPS Action Discovery [67.73368413278631]
  近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。 アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-30T17:08:39Z)

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。