論文の概要: cuArms: GPU-Accelerated Conflict-Based Planning for Multi-Arm Manipulation

• arxiv url: http://arxiv.org/abs/2610.36250v1
• Date: Mon, 26 Oct 2026 20:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.430996
• Title: cuArms: GPU-Accelerated Conflict-Based Planning for Multi-Arm Manipulation
• Title（参考訳）: cuArms: マルチArm操作のためのGPUアクセラレーションによる競合ベースの計画
• Abstract要約: マルチアーム操作は、多くの操作タスクのスループット、効率、デキスタリティを劇的に改善する可能性がある。 最近の作業は、より大きな並列性のためにタスクを割り当て、スケジューリングすることで、共有ワークセル内の複数のロボットアームを調整する。 コンフリクトベースのプランナであるcuArmsをGPU並列性で設計し,探索空間を効率的に分解する。
• 参考スコア（独自算出の注目度）: 6.795831698979971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-arm manipulation has the potential to dramatically improve the throughput, efficiency, and dexterity of many manipulation tasks. Recent work coordinates multiple robot arms in a shared workcell by allocating and scheduling tasks for greater parallelism, jointly planning multi-arm motions, or directly learning multi-arm policies. So far, these approaches are either too slow, rely on domain-specific assumptions, or scale poorly with the number of robots and task horizon. Thus, we introduce cuArms, a conflict-based planner co-designed with GPU parallelism that efficiently decomposes the search space using reusable multi-modal roadmaps for individual robots and resolves conflicts and deadlocks through a lazy search. To jointly optimize task assignment, schedules, motions, and manipulation skills, we integrate a high-level scheduler that proposes candidate skeletons for cuArms to ground into coordinated manipulation plans. Experimental results show that our method establishes a new state of the art, with real-time initial solutions and anytime improvements in both motion quality and scheduling, without days of domain-specific training required by learning approaches. Videos of both simulated and real-world industrial tasks are available on https://cuarms.github.io/.
• Abstract（参考訳）: マルチアーム操作は、多くの操作タスクのスループット、効率、デキスタリティを劇的に改善する可能性がある。 最近の作業は、より大きな並列性のためのタスクの割り当てとスケジューリング、共同でマルチアーム動作の計画、あるいは直接マルチアームポリシーを学ぶことで、共有ワークセル内の複数のロボットアームを調整する。 これまでのところ、これらのアプローチは遅すぎるか、ドメイン固有の仮定に依存しているか、あるいはロボットの数やタスクの地平線で不十分にスケールしているかのどちらかです。 そこで我々は,GPU並列性を共設計したコンフリクトベースのプランナであるcuArmsを紹介した。これは,個々のロボットに対して再利用可能なマルチモーダルロードマップを用いて検索空間を効率的に分解し,遅延探索によって競合やデッドロックを解決する。 タスク割り当て,スケジュール,動作,操作のスキルを協調的に最適化するために,cuArmsの候補スケルトンを協調的な操作計画として提案する高レベルスケジューラを統合する。 実験結果から,本手法は実時間初期解法と運動品質とスケジューリングの両面において,学習に必要となる領域固有の訓練を必要とせずに,新たな最先端技術を確立していることがわかった。 シミュレーションと実世界の産業タスクのビデオはhttps://cuarms.github.io/.comで公開されている。

関連論文リスト

• VAMP-MR: Vector-Accelerated Motion Planning and Execution for Multi-Robot-Arms [4.626026084356204]
  本稿では,リアルタイムに近い動作生成が可能なマルチロボットアーム型モーションプランナについて紹介する。 CPU SIMD命令に基づいて、我々の新しいプランナーは、主要なボトルネック、衝突チェックを加速し、最大2桁のスピードアップを達成する。
  論文  参考訳（メタデータ） (2026-07-15T06:13:50Z)
• One Interface, Many Robots: Unified Real-Time Low-Level Motion Planning for Collaborative Arms [8.276456155150138]
  本稿では,協調ロボットアームのリアルタイム低レベル動作計画のための共通インタフェースを提案する。 プログラムソルバとn次補間器を併用して,スムーズかつ連続的な微分可能な軌道を生成する。
  論文  参考訳（メタデータ） (2026-04-09T21:50:53Z)
• COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
  COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。 提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。 実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-23T15:53:41Z)
• Accelerating Search-Based Planning for Multi-Robot Manipulation by Leveraging Online-Generated Experiences [20.879194337982803]
  MAPF(Multi-Agent Path-Finding)アルゴリズムは、離散的な2Dドメインで保証され、厳密な保証を提供する。 本稿では,その反復的かつ漸進的な性質を活用して,競合に基づく探索アルゴリズムを高速化する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T20:31:07Z)
• 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)
• Toward Efficient Task Planning for Dual-Arm Tabletop Object Rearrangement [12.928188950810043]
  非単調な再配置タスクでは、複雑なオブジェクトオブジェクトの依存関係が存在し、インスタンスを解決するために複数のオブジェクトを移動する必要があります。 本研究では,2つのアーム間で適切に分配可能なピック・n・プレース・シーケンスをスケジューリングするための効率的なタスク計画アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-07-17T05:11:14Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• Learning Multi-Arm Manipulation Through Collaborative Teleoperation [63.35924708783826]
  模倣学習(il)はロボットに操作タスクを実行するための強力なパラダイムである。 多くの現実世界のタスクは、重い物体を持ち上げる、デスクを組み立てるなど、複数のアームを必要とする。 複数のリモートユーザが同時にロボットアームを遠隔操作できるマルチユーザデータ収集プラットフォームであるMulti-Arm RoboTurk(MART)を紹介した。
  論文  参考訳（メタデータ） (2020-12-12T05:43:43Z)

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。