MANER: Multi-Agent Neural Rearrangement Planning of Objects in Cluttered Environments

要約

オブジェクトの再配置はロボット工学の基本的な問題であり、倉庫の管理から家庭のキッチンの掃除や整理に至るまで、さまざまな実際の応用例があります。
既存の研究は主に単一エージェントのソリューションに焦点を当てていますが、現実世界のシナリオでは、多くの場合、複数のロボットが再配置タスクで連携する必要があります。
この論文では、複雑な環境におけるタスクの順序付けとパス計画の課題に対処する、マルチエージェントのオブジェクト再配置計画のための包括的な学習ベースのフレームワークを提案します。
提案された方法は、オブジェクトを繰り返し選択し、それらの再配置領域を決定し、運動学的実現可能性とタスク到達可能性の下でそれらを利用可能なロボットと組み合わせて実行し、目標の配置を達成します。
さまざまな環境での実験により、提案されたフレームワークの有効性と堅牢性が実証されました。
さらに、結果は、ベースラインのアプローチと比較して、走査時間と成功率の点でパフォーマンスが向上していることを示しています。

要約(オリジナル)

Object rearrangement is a fundamental problem in robotics with various practical applications ranging from managing warehouses to cleaning and organizing home kitchens. While existing research has primarily focused on single-agent solutions, real-world scenarios often require multiple robots to work together on rearrangement tasks. This paper proposes a comprehensive learning-based framework for multi-agent object rearrangement planning, addressing the challenges of task sequencing and path planning in complex environments. The proposed method iteratively selects objects, determines their relocation regions, and pairs them with available robots under kinematic feasibility and task reachability for execution to achieve the target arrangement. Our experiments on a diverse range of environments demonstrate the effectiveness and robustness of the proposed framework. Furthermore, results indicate improved performance in terms of traversal time and success rate compared to baseline approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google