論文の概要: Reward-Guided RRT* for Budgeted Task and Motion Planning
- arxiv url: http://arxiv.org/abs/2610.35289v1
- Date: Mon, 26 Oct 2026 12:00:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.910299
- Title: Reward-Guided RRT* for Budgeted Task and Motion Planning
- Title（参考訳）: 予算タスクと運動計画のためのリワードガイドRT*
- Abstract要約: 本稿では,予算実現可能なミッションを構築する新しいサンプリングベースフレームワークであるReward-Guided RRT*を提案する。
この方法は、報酬誘導RT*検索を用いてミッションを段階的に構築する一方、リターンファシビリティ手順は、ミッション予算に違反することなく、それぞれのタスクを訪問できるようにする。
障害複雑性の増大とタスク数の増大による実験は、サンプル状態がかなり少ないのに、VNS-PRM*に匹敵する解を示した。
- 参考スコア（独自算出の注目度）: 4.273623507506459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic missions involving spatially distributed tasks often require jointly selecting rewarding locations and planning feasible motions under limited travel budgets. This paper proposes Reward-Guided RRT*, a new sampling-based framework that constructs a budget-feasible mission through a sequence of locally joint task-selection-and-motion-planning stages, evaluated directly in the continuous state space, without requiring a precomputed task-transition graph. The method incrementally builds a mission using reward-guided RRT* searches, while a return-feasibility procedure ensures that each selected task can be visited without violating the mission budget. Experiments with increasing obstacle complexity and number of tasks show solutions comparable to VNS-PRM* while requiring substantially fewer sampled states. We also extend the framework to Dubins steering and evaluate it in CoppeliaSim with a scaled car-like robotic platform, demonstrating its ability to incorporate vehicle kinematic constraints.
- Abstract（参考訳）: 空間的に分散されたタスクを含むロボットのミッションは、しばしば、限られた旅行予算の下で、報酬のある場所を共同で選択し、実行可能な動きを計画する必要がある。
本稿では,Reward-Guided RRT*を提案する。Reward-Guided RRT*は,事前計算されたタスク遷移グラフを必要とせず,連続的な状態空間で直接評価される,局所的な共同タスク選択・動作計画段階の連続を通して,予算実現可能なミッションを構築する新しいフレームワークである。
この方法は、報酬誘導RT*検索を用いてミッションを段階的に構築する一方、リターンファシビリティ手順は、ミッション予算に違反することなく、それぞれのタスクを訪問できるようにする。
障害複雑性の増大とタスク数の増大による実験は、サンプル状態がかなり少ないのに、VNS-PRM*に匹敵する解を示した。
我々はまた、このフレームワークをDubinsのステアリングに拡張し、CppeliaSimで車に似たロボットプラットフォームで評価し、車両のキネマティックな制約を組み込む能力を実証した。
関連論文リスト
- Mobility-Budget-Constrained Submodular Maximization for Distributed Semantic Multi-Robot Exploration [12.062129183693086]
通信および移動性制約下でのマルチロボット探索は、情報ゲインと到達性とのバランスを必要とする。
本稿では,Dirichletマッピング,予算制約付き軌道選択,およびResource-Aware Distributed Greedy (RAG)コーディネーションを組み合わせた分散意味探索フレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-13T01:33:46Z) - Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。
タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。
我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-22T22:58:47Z) - Integrated Multi-Drone Task Allocation, Sequencing, and Optimal Trajectory Generation in Obstacle-Rich 3D Environments [0.0]
IMD-TAPP(Integrated Multi-Drone Task Allocation and Path Planning)は,多ゴールアロケーション,ツアーシークエンシング,および障害物の多い空間で動作する四角形チームのための安全な軌道生成を行うエンドツーエンドのフレームワークである。
複数の目標を達成する2つのドローンによる代表的なケーススタディでは、提案手法は実行中に必要な安全制約を維持しながら、最低ミッション時間は136秒に達する。
論文 参考訳（メタデータ） (2026-03-26T00:46:26Z) - BOTS: A Unified Framework for Bayesian Online Task Selection in LLM Reinforcement Finetuning [82.925106913459]
強化微調整(Reinforcement Finetuning, RFT)は、大規模言語モデル(LLM)を人間の嗜好と整合させ、推論を強化するための重要な手法である。
RFT強化微調整におけるベイズオンラインタスク選択のための統合フレームワークBOTSを紹介する。
論文 参考訳（メタデータ） (2025-10-30T11:15:23Z) - Controlled Data Rebalancing in Multi-Task Learning for Real-World Image Super-Resolution [51.79973519845773]
実世界の画像超解像(Real-SR)は、低解像度画像の複雑な劣化パターンのために難しい問題である。
本稿では,データヘテロジニアスなマルチタスク学習問題としてReal-SRの枠組みを改良したパラダイムを提案する。
論文 参考訳（メタデータ） (2025-06-05T21:40:21Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - Goal-Conditioned Reinforcement Learning with Disentanglement-based
Reachability Planning [14.370384505230597]
本稿では,Reachability Planning (REPlan) と組み合わせた目標条件付きRLアルゴリズムを提案する。
我々のREPlanは、時間的に拡張されたタスクを解く上で、従来の最先端の手法よりも大幅に優れています。
論文 参考訳（メタデータ） (2023-07-20T13:08:14Z) - DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in
Complex Environments [55.204450019073036]
本稿では,倉庫環境における移動ロボットのためのタスク割り当てと分散ナビゲーションアルゴリズムを提案する。
本稿では,共同分散タスク割り当てとナビゲーションの問題について考察し,それを解決するための2段階のアプローチを提案する。
ロボットの衝突のない軌道の計算では,タスク完了時間において最大14%の改善と最大40%の改善が観察される。
論文 参考訳（メタデータ） (2022-09-07T00:35:27Z) - Orientation-Aware Planning for Parallel Task Execution of
Omni-Directional Mobile Robot [12.584590446236678]
オムニ指向型移動ロボット(Omni-directional mobile robot, OMR)システムは、学界や業界で非常に人気がある。
しかし、OMRの余分な自由度によって、ロボットが余分なタスクを実行できる可能性があるため、そのポテンシャルは十分に活用されていない。
本稿では,OMRシステムの配向遷移と位置遷移を統一的かつ効率的な方法で実行するための配向対応計画アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:37:18Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳（メタデータ） (2020-08-18T08:05:15Z)
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。