MoMa-Pos: An Efficient Object-Kinematic-Aware Base Placement Optimization Framework for Mobile Manipulation

要約

この研究では、モバイル マニピュレータのベース配置を最適化するフレームワークである MoMa-Pos を紹介します。これは、剛体と多関節オブジェクトの両方が存在する環境におけるナビゲーション操作タスクに焦点を当てています。
このような環境では、ベースの配置が特に重要です。オブジェクトの運動学が適切に考慮されていない場合、不適切な配置によりタスクの実行が大幅に妨げられる可能性があります。
MoMa-Pos は、タスク関連の主要オブジェクトに優先順位を付け、計算効率を高め、重要な運動学的詳細のみが処理されるようにすることで、環境を選択的に再構築します。
このフレームワークは、グラフベースのニューラル ネットワークを活用してオブジェクトの重要性を予測し、不必要な計算を最小限に抑えながら焦点を絞ったモデリングを可能にします。
さらに、MoMa-Pos は、逆到達可能性マップを環境運動学的特性と統合して、特定のロボット モデルに合わせて調整された実現可能なベース位置を特定します。
広範な評価により、MoMa-Pos は実際の環境とシミュレートされた環境の両方で既存の手法を上回っており、さまざまな設定やロボット モデルにわたって効率、精度、適応性が向上していることが実証されています。
補足資料は https://yding25.com/MoMa-Pos でご覧いただけます。

要約(オリジナル)

In this work, we present MoMa-Pos, a framework that optimizes base placement for mobile manipulators, focusing on navigation-manipulation tasks in environments with both rigid and articulated objects. Base placement is particularly critical in such environments, where improper positioning can severely hinder task execution if the object’s kinematics are not adequately accounted for. MoMa-Pos selectively reconstructs the environment by prioritizing task-relevant key objects, enhancing computational efficiency and ensuring that only essential kinematic details are processed. The framework leverages a graph-based neural network to predict object importance, allowing for focused modeling while minimizing unnecessary computations. Additionally, MoMa-Pos integrates inverse reachability maps with environmental kinematic properties to identify feasible base positions tailored to the specific robot model. Extensive evaluations demonstrate that MoMa-Pos outperforms existing methods in both real and simulated environments, offering improved efficiency, precision, and adaptability across diverse settings and robot models. Supplementary material can be found at https://yding25.com/MoMa-Pos

arxiv情報

提供元, 利用サービス

arxiv.jp, Google