タングラム組み立てのためのマルチエージェント物体中心強化学習

- 幾何学的なassembly(組立)を対象に、各partをagentとして扱うobject-centricな強化学習フレームワークを提案する研究。 - 部品同士の衝突やdeadlockを避けつつ、狭いclearanceで部品を目標姿勢へ配置するfineな時空間coordinationを学習する。 - planar Tangram assemblyをベンチマークとして用い、部品をsliding・rotationさせて所定のconfigurationに組み上げる課題を扱う。 - 学習したpolicyをsimulationでのconcurrent assemblyだけでなく、実robotでのsequential executionへ転移する。

- 従来のassembly制御はsampling-based planningなどと比較されるが、本研究はmulti-agent強化学習として定式化し、単一のfeedback policyでmotionとtemporal coordinationを直接学習する点が特徴。 - 各部品をagentとみなすobject-centric表現により、学習したassembly coordinationを低レベルphysical controlから切り離せる点を示す。 - 実験ではrelational structureとmulti-agent optimizationの役割を分離して評価し、sampling-based planningとの比較も行う。 - 具体的な先行研究名や定量的優位性は要旨からは不明。

- 各partをagentとし、共有policyで連続的なassembly制御を学習する。 - graph neural networkで部品、目標pose、空間的relationshipを表現し、各componentのtranslational velocityとangular velocityを予測する。 - per-agent proximal policy optimization(PPO)とcentralized graph criticを組み合わせ、単一のfeedback policy内でmotionとtemporal coordinationを学習する。 - 目標configurationのprocedural generationと初期配置のrandomizationにより、多様なassembly問題での訓練・評価を可能にする。

- planar Tangram assemblyのsimulationでconcurrent assemblyを実証する。 - procedural generationとrandomized initial arrangementsを用いて多様なassembly問題で訓練・評価する。 - relational structureとmulti-agent optimizationの役割をisolateする実験を行う。 - 学習したcontrolをsampling-based planningと比較する。 - 学習policyを実robotへ転移し、sequential executionとして実行する。

- object-centric定式化により、学習したassembly coordinationと低レベルphysical controlをdecoupleできると主張する。 - simulationでのconcurrent assemblyから実robotでのsequential executionへの転移可能性を議論する。 - 限界や失敗事例、定量的な議論の詳細は要旨からは不明。

- 要旨で比較対象として挙げられているsampling-based planning(具体的な手法名は要旨からは不明)。 - multi-agent強化学習の基盤手法であるproximal policy optimization(PPO)およびcentralized criticに関する研究。 - graph neural networkを用いたrelational representation学習に関する研究。 - object-centric reinforcement learningおよびassembly/組立タスクへの応用研究。