DAG-Plan: Generating Directed Acyclic Dependency Graphs for Dual-Arm Cooperative Planning

要約

デュアルアームロボットは、複数のオブジェクトの同時操作または両腕を使用したタスクの協力的実行を可能にすることにより、単一腕のカウンターパートにわたる汎用性と効率を高めます。
ただし、長期式タスクのデュアルアームシステムの調整は、サブタスク間の複雑な時間的および空間的依存関係に起因する重要な課題を引き起こし続け、武器間のアクションの割り当てと最適な実行順序に関するインテリジェントな決定を必要とします。
既存のタスク計画方法は、主に単一腕ロボットに焦点を当てるか、事前定義された両操作に依存して、大規模な言語モデル（LLM）を使用して、線形時間依存性を備えたタスクシーケンスを生成し、デュアルアームシステムの機能を完全に活用できません。
この制限に対処するために、デュアルアームロボットに合わせた構造化されたタスク計画フレームワークであるDag-Planを紹介します。
DAG-PlanはLLMSを活用して、複雑なタスクを、指示された非環式グラフ（DAG）内のノードとして表す実用的なサブタスクに分解します。
批判的に、DAG-Planは、リアルタイムの環境観測に基づいてこれらのサブタスクを適切なアームに動的に割り当て、並列および適応性のある実行を可能にします。
44のサブタスクを備えた5つのシーケンシャルタスクで構成されるデュアルアームキッチンベンチマークでDag-Planを評価します。
広範な実験では、LLMを使用して直接的なLLMを使用して線形タスクシーケンスを生成したDAG-Planの優位性が示されており、単一腕のタスク計画と比較して52.8％高い効率を達成し、デュアルアームタスク計画の48％の成功率を達成しています。
反復方法と比較して、クエリ時間が少ないため、DAG-PLANの実行効率を84.1％改善します。
より多くのデモと情報は、https：//sites.google.com/view/dag-planで入手できます。

要約(オリジナル)

Dual-arm robots offer enhanced versatility and efficiency over single-arm counterparts by enabling concurrent manipulation of multiple objects or cooperative execution of tasks using both arms. However, the coordination of dual-arm systems for long-horizon tasks continues to pose significant challenges, stemming from the intricate temporal and spatial dependencies among sub-tasks, necessitating intelligent decisions regarding the allocation of actions between arms and their optimal execution order. Existing task planning methods predominantly focus on single-arm robots or rely on predefined bimanual operations to use large language models (LLMs) generate task sequence with linear temporal dependency, failing to fully leverage the capabilities of dual-arm systems. To address this limitation, we introduce DAG-Plan, a structured task planning framework tailored for dual-arm robots. DAG-Plan harnesses LLMs to decompose intricate tasks into actionable sub-tasks represented as nodes within a directed acyclic graph (DAG). Critically, DAG-Plan dynamically assigns these sub-tasks to the appropriate arm based on real-time environmental observations, enabling parallel and adaptive execution. We evaluate DAG-Plan on the Dual-Arm Kitchen Benchmark, comprising 5 sequential tasks with 44 sub-tasks. Extensive experiments demonstrate the superiority of DAG-Plan over directly using LLM to generate linear task sequence, achieving 52.8% higher efficiency compared to the single-arm task planning and 48% higher success rate of the dual-arm task planning. Compared to iterative methods, DAG-Plan improving execution efficiency 84.1% due to its fewer query time. More demos and information are available on https://sites.google.com/view/dag-plan.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google