日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
マニピュレーションarXiv:2610.20460

DD-GBP: 分散動的ガウス信念伝播によるマルチアームの随時計画と連続実行

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

シェア:XThreadsFacebookLINEはてブBluesky

複数アームの長期タスクを動的環境で安全に実行するため、分散動的ガウス信念伝播(DD-GBP)を提案。各ロボットが局所因子グラフで並列推論し、非同期メッセージ交換で協調計画と連続実行を実現する。

詳しい要約

1. どんなもの？

- 複数アームの長期的タスクを動的環境でオンライン実行するための分散動的ガウス信念伝播（DD-GBP）を提案。 - 関節空間軌道を並列ローカル推論で直接計画。 - ガウス過程（GP）パラメータ化で適応的計画ホライズン、補間時間因子、連続実行を統合。 - 各ロボットがローカル木構造因子グラフを維持し、アーム間リンクで非同期メッセージ交換。 - 動的サブネット再構築とイベントトリガ更新で通信・推論コストを削減。

2. 先行研究と比べてどこがすごい？

- 6つの代表ベースラインと比較し、50の長期的マルチターゲット4アームシーンで最高成功率（92.5%の衝突回避全ターゲット完了）を達成。 - Syn-GBPと比較して極端な速度・加速度ピークを大幅に抑制。 - 30アーム共存の障害物なしテストで99.87%の成功率と15.80msの平均ウォームソルブを達成し、60Hz以上でスケーラビリティに優れる。 - 動的シーンにおけるオンライン長期的マルチアーム計画の新たな最先端を確立。

3. 技術・手法の肝は？

- 分散動的ガウス信念伝播（DD-GBP）により、並列ローカル推論で関節空間軌道を直接計画。 - 統一ガウス過程（GP）パラメータ化が適応的計画ホライズン、補間時間因子、連続実行を接続。 - 各ロボットはローカル木構造因子グラフを維持し、アクティブなアーム間リンクで非同期メッセージ交換。 - 動的サブネット再構築とイベントトリガ更新で通信・推論コストを削減し、移動障害物に対応。 - ローカル推論精度、いつでも早期停止、トリガ再計画一貫性、GP一貫実行の理論解析を提供。

4. どうやって有効だと検証した？

- 50の長期的マルチターゲット4アームシーン（移動障害物あり）で評価し、92.5%の衝突回避全ターゲット完了を達成。 - シナリオアブレーションで長期的安全性と通信障害・極端条件への堅牢性を実証。90%パケット損失下でも成功率86.0%。 - 実行結果でSyn-GBPと比較して極端な速度・加速度ピークを大幅抑制。 - 1ワークステーション上で30アーム共存の障害物なしテストを実施し、99.87%の成功率と15.80msの平均ウォームソルブを確認。 - 動的干渉下のデュアルアーム輸送実験でオンライン応答と実用展開可能性を実証。

5. 議論はある？

- 理論解析としてローカル推論精度、いつでも早期停止、トリガ再計画一貫性、GP一貫実行を提供。 - 通信障害や極端条件への堅牢性を示すが、具体的な限界や失敗ケースの議論は要旨からは不明。 - 実世界展開の課題やスケーラビリティの更なる検証については要旨からは不明。

6. 次に読むべき論文は？

- Syn-GBP（比較対象として明示） - ガウス信念伝播（GBP）関連研究 - マルチアーム計画のベースライン6手法（具体名は要旨からは不明） - 動的環境下のオンライン軌道計画に関する一般的な手法

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zhao Jin, Fengyi Dai, Yuetong Yin, Yunan Wang, Wenjie Chen, Chuxiong Hu

分類: cs.RO

原文アブストラクト

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.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI