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:2611.04093

視覚適応型物体再配置プランナーVARP

VARP: A Visual Adaptive Rearrangement Planner for Non-Monotone Object Rearrangement Planning

シェア:XThreadsFacebookLINEはてブBluesky

専門家デモから視覚状態表現を学習し、非単調な物体再配置をオンラインで適応的に計画する手法を提案。外乱時も再計画なしで高い成功率を達成。

詳しい要約

1. どんなもの？

- 混雑環境での non-monotone な object rearrangement planning を扱う研究 - 最終配置前に物体を一時的に移動する必要があるタスク - Visual Adaptive Rearrangement Planner (VARP) を提案 - expert demonstrations から visual state representations を入力に学習 - 現在と goal の visual state から pick-and-place actions を予測 - 構成要素 - Action Refinement Strategy (ARS): action の feasibility 改善 - Progress Enforcement Strategy (PES): progress stagnation の緩和 - 最新の visual state から継続的に action を更新し、online で外乱に適応

2. 先行研究と比べてどこがすごい？

- 従来の search-based planners は non-monotone タスクを解けるが計算コスト大 - 環境変化時に高コストな replanning が必要 - VARP は online combinatorial search やゼロからの replanning を不要にする - 最新 visual state から action を逐次更新して適応 - 性能面の主張 - 難 benchmark で 98.3% success、planning time 0.4 s/task - execution-time disturbances 下で 97.5%、継続的な severe disturbances 下で 94.5% - unseen object counts への汎化も確認 - 具体的な比較対象手法名は要旨からは不明

3. 技術・手法の肝は？

- visual state representations からの直接学習 - expert demonstrations を用いて non-monotone rearrangement を学習 - 現在と goal の visual state を入力に pick-and-place actions を予測 - Action Refinement Strategy (ARS) - 予測 action の feasibility を改善 - Progress Enforcement Strategy (PES) - progress stagnation を緩和 - 継続的更新による適応 - 最新 visual state から action を更新し、replanning や online combinatorial search なしで外乱に対応 - 詳細な network 構成や学習損失は要旨からは不明

4. どうやって有効だと検証した？

- challenging rearrangement benchmarks で評価 - 98.3% success rate、planning time 0.4 s/task - 外乱下の評価 - execution-time disturbances 下で 97.5% success - 継続的な severe disturbances 下で 94.5% success - 汎化評価 - unseen object counts に対して有効に汎化 - 具体的な benchmark 名・baseline・試行数は要旨からは不明

5. 議論はある？

- 主張される利点 - search-based planners 比で計算コストと replanning コストを削減 - online 適応により外乱に頑健 - object 数への汎化で scalable - 想定される議論点(要旨の範囲) - expert demonstrations への依存 - visual state 表現の質への依存 - ARS/PES の個別寄与は要旨からは不明 - 限界や失敗事例の詳細は要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照/比較されている search-based planners 関連の non-monotone rearrangement planning 研究 - expert demonstrations を用いる imitation learning / learning-based rearrangement 研究 - visual state representations を用いた pick-and-place action prediction 研究 - 具体的な論文名は要旨に記載がないため不明 - 同分野の定番として rearrangement planning、task-and-motion planning、imitation learning 関連の文献を参照するのが妥当

※ 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: Hanwen Ren, Meng Zheng, Zhongpai Gao, Anwesa Choudhuri, Benjamin Planche, Terrence Chen, Ziyan Wu

分類: cs.RO

原文アブストラクト

Object rearrangement planning in cluttered environments is often non-monotone, requiring objects to be temporarily relocated before reaching their final destinations. Although search-based planners can solve such tasks, they incur substantial computational cost and require expensive replanning when the environment changes. We propose the Visual Adaptive Rearrangement Planner (VARP), which learns non-monotone rearrangement directly from visual state representations generated from expert demonstrations. VARP predicts pick-and-place actions from the current and goal visual state representations, and incorporates an Action Refinement Strategy (ARS) to improve action feasibility and a Progress Enforcement Strategy (PES) to mitigate progress stagnation. By continuously updating actions from the latest visual state representations, VARP adapts online to disturbances without replanning from scratch or performing online combinatorial search. In challenging rearrangement benchmarks, VARP achieves a 98.3\% success rate with only 0.4 s planning time per task, 97.5\% success under execution-time disturbances, and 94.5\% under continuous severe disturbances, while generalizing effectively to unseen object counts. These results demonstrate that VARP provides a scalable and robust solution for non-monotone object rearrangement.

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