報酬誘導RRT*による予算制約付きタスク・モーションプランニング
Reward-Guided RRT* for Budgeted Task and Motion Planning
連続状態空間上で報酬誘導RRT*探索を逐次行い、予算内で報酬の高いタスクを選びつつ実行可能な経路を計画する枠組みを提案し、障害物やタスク数が増えてもVNS-PRM*と同等の解をより少ないサンプルで得られることを示した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Vinícius Araújo de Oliveira, Gabriel Ferreira Mendes Lourenço, Paulo L. J. Drews-Jr, Armando Alves Neto, Douglas G. Macharet
分類: cs.RO, cs.AI
原文アブストラクト
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.
関連論文
- OrbitTAMP: 宇宙機ランデブーにおけるタスク・モーションプランニングのための言語モデルの接地タスク・モーションプランニング
- オートマトンとストリームの融合：ストリームベースロボットタスク・モーションプランニングのための時間論理コンパイルタスク・モーションプランニング
- SLAP: 抽象プランニングのためのショートカット学習タスク・モーションプランニング
- 知覚と計画の橋渡し：Signal Temporal Logicタスクのためのエンドツーエンド計画タスク・モーションプランニング
- タスク・スキルプランニング：ブラックボックススキルを用いた階層型ロボットプランニングタスク・モーションプランニング
- アフォーダンスを活用した計画：学習されたアフォーダンスモデルと記号計画の統合タスク・モーションプランニング