충돌 없는 모션을 조작 행동으로 연쇄하기 위한 상수 시간 계획
Constant-Time Planning for Chaining Collision-free Motion to Manipulation Behaviors
한국어 초록
접촉이 빈번한 로봇 조작(manipulation) 분야에서 최근 괄목할 만한 발전이 있었으나, 실제로 배치된 대부분의 시스템은 여전히 단순하고 정해진 스크립트 기반 루틴에 머물러 있습니다. 주요 장애물 중 하나는 안전성, 효율성 및 신뢰성을 검증 가능하게 보장하는 모션 계획(motion planning) 알고리즘이 부족하다는 점입니다. 상수 시간 모션 계획(CTMP)은 사전 정의된 환경에서 충돌 없는 모션에 대해 이러한 보장을 제공하기 위한 최근의 시도입니다. 즉, 전처리 단계를 통해 사용자가 지정한 고정된 시간 예산(예: 10밀리초) 내에 질의에 응답할 수 있도록 합니다. 그러나 CTMP는 도달 가능성(이진 술어)만을 인증할 뿐, 작업을 완료하는 조작 행동은 무시합니다. 이러한 조작 행동은 점차 확률적(예: 학습된 스킬)으로 변하고 있으며, 오프라인 롤아웃(rollout) 한 번만으로는 그 성공 여부를 입증하기는커녕 인증조차 할 수 없습니다. 본 연구에서는 반정형 환경에서 2단계 조작 작업(행동 개시 상태까지의 충돌 없는 모션 후 파지나 삽입과 같은 행동 실행)으로 CTMP를 확장한 행동 상수 시간 모션 플래너(B-CTMP)를 소개합니다. B-CTMP는 기존 CTMP와 두 가지 측면에서 다릅니다. 이웃 영역(neighborhood)을 로봇 구성 공간(configuration space)이 아닌 물체 포즈 공간에서 구성하며, 커버리지는 도달 가능성 검사 대신 통계적 인증을 통해 확립됩니다. 반복된 롤아웃을 통해 성공률의 하한이 사용자가 지정한 임계값 이상인 경우에만 계획이 캐시되며, 본 논문에서는 이러한 경계가 지정된 신뢰 수준에서 전체 캐시에 걸쳐 동시에 성립함을 증명합니다. 결정론적 행동의 경우 단일 롤아웃으로 충분하여 기존 CTMP의 이진 검사를 특수한 경우로 포함하게 됩니다. 시뮬레이션 및 실제 로봇 환경에서 선반 집기, 플러그 삽입, 휠 교체의 세 가지 조작 작업에 대해 B-CTMP를 평가했습니다. B-CTMP의 인증된 계획은 베이스라인이 행동 실행 중 실패하는 상황에서도 일관되게 성공하며, 실행 불가능한 물체 포즈를 상수 시간 내에 기각합니다.
원문 초록
Recent progress in contact-rich robotic manipulation has been striking, yet most deployed systems remain confined to simple, scripted routines. One of the barriers is the lack of motion planning algorithms that can provide verifiable guarantees for safety, efficiency and reliability. Constant-Time Motion Planning (CTMP) is a recent step toward such guarantees for collision-free motion in a priori known environments:: a preprocessing phase enables queries to be answered within a fixed, user-specified time budget (e.g., 10 milliseconds). However, CTMP certifies only reachability---a binary predicate---and ignores the manipulation behavior that completes the task, which is increasingly stochastic (e.g., a learned skill) and whose success no single offline rollout can establish, let alone certify. We introduce the Behavioral Constant-Time Motion Planner (B-CTMP), which extends CTMP to two-step manipulation tasks in semi-structured environments: a collision-free motion to a behavior initiation state, followed by execution of a behavior such as grasping or insertion. B-CTMP departs from prior CTMP in two ways: neighborhoods are constructed in object-pose space rather than robot configuration space, and coverage is established by statistical certification rather than a reachability check. A plan is cached only if repeated rollouts lower-bound its success rate above a user-specified threshold, and we prove these bounds hold simultaneously across the entire cache at a prescribed confidence level. For deterministic behaviors a single rollout suffices, recovering the binary check of prior CTMP as a special case. We evaluate B-CTMP on three manipulation tasks---shelf picking, plug insertion, and wheel replacement---in simulation and on real robots. B-CTMP's certified plans succeed consistently where baselines fail during behavior execution, and it rejects infeasible object poses in constant time.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
기하학 유도 토큰 탐색을 활용한 마스크 생성 모션 플래닝
Masked Generative Motion Planning with Geometry-Guided Token Search
생성형 모션 플래너(generative motion planner)는 일반적으로 초기 생성을 위해 학습된 궤적 사전 분포를 사용하며, 테스트 시점의 복구는 국소적인 연속 개선(refinement)에 맡깁니다. 본 논문에서는 학습된 사전 분포를 효율적인 병렬 생성에서 구조적 복구로 확장하는 마스크 생성 모션 플래닝(Masked Generative Motion Planning, MGMP)을 소개합니다. 마스크 생성 트랜스포머는 이산 궤적 후보들을 병렬로 생성하며, 기하학 유도 토큰 탐색(Geometry-Guided Token Search, GGTS)은 장면 기하학을 활용하여 수정할 위치와 평가할 사전 분포 기반 대안을 타겟팅합니다. 이를 통해 개선 과정을 이산 모션 대안에 대한 효율적인 탐색으로 전환하여, 국소적 궤적 변형을 넘어 경로 수준의 재구성을 가능하게 합니다. MGMP는 Ring Maze에서 96%의 성공률을 달성하고 Kuka의 통제된 경로 무효화(Controlled Route Invalidation)에서 82%의 복구 성공률을 기록하여, 가장 강력한 외부 베이스라인을 각각 23%포인트 및 25%포인트 앞섰습니다. 나아가 보지 못한 배치, 추가 장애물, 보지 못한 기하학적 형태, 단일 및 이중 팔 플래닝, 그리고 실제 Baxter 작업으로도 일반화됩니다.
다중 에이전트 모션 플래닝에서 다중 우선순위 동시 연산
Simultaneous Computation with Multiple Prioritizations in Multi-Agent Motion Planning
대규모 네트워크에서의 다중 에이전트 경로 탐색(MAPF)은 계산적으로 까다로운 문제입니다. MAPF를 위한 접근 방식 중 하나는 우선순위 기반 플래닝(PP)으로, 에이전트들이 우선순위에 따라 순차적으로 계획을 수립합니다. 이는 MAPF에서 계산 효율적인 접근 방식이지만, 해의 품질은 우선순위 지정 방식에 크게 좌우됩니다. 대부분의 우선순위 지정은 일반화가 어려운 휴리스틱에 의존하거나 적절한 우선순위를 찾기 위해 반복 연산을 수행하므로 계산 비용이 발생합니다. 본 연구에서는 에이전트가 여러 우선순위 지정을 동시에 연산하는 방법을 제시합니다. 제안하는 접근 방식은 도메인 특화 지식에 의존하지 않으므로 범용적입니다. 본 연구의 배경은 계산 시간 제약 조건이 있는 후퇴 지평선 기반 다중 에이전트 모션 플래닝(MAMP)입니다. MAMP는 MAPF에 비해 시스템 동역학을 더 상세히 고려합니다. MAMP에 대한 수치 실험을 통해, 제안하는 기법이 계산 시간의 미미한 증가만으로 거의 최적에 가까운 우선순위 지정을 달성하고 최신(SOTA) 방법들보다 우수한 성능을 보임을 입증합니다. 또한 Cyber-Physical Mobility Lab에서 10대의 차량을 이용한 도로망 실험을 통해 실시간 동작 가능성을 보여줍니다.
RoboFAC: 로봇 실패 분석 및 수정을 위한 포괄적 프레임워크
RoboFAC: A Comprehensive Framework for Robotic Failure Analysis and Correction
비전-언어-행동(Vision-Language-Action, VLA) 모델은 자연어 지시와 시각적 관측을 제어 행동으로 변환함으로써 최근 로봇 조작(robotic manipulation) 분야를 발전시켰습니다. 그러나 기존 VLA는 주로 성공적인 전문가 시연 데이터를 기반으로 학습(training)되어 실패 진단 및 복구를 위한 구조화된 지도(supervision)가 부족하며, 이는 개방형 환경(open-world) 시나리오에서의 강건성(robustness)을 제한합니다. 이러한 한계를 해결하기 위해 본 논문에서는 로봇 실패 분석 및 수정(RoboFAC) 프레임워크를 제안합니다. 시뮬레이션 및 실제 환경의 53개 장면에서 체계적으로 분류된 실패 유형과 함께 9,440개의 오류 조작 궤적과 78,623개의 QA 쌍으로 구성된 대규모 실패 중심 데이터셋을 구축합니다. 이 데이터셋을 활용하여 태스크 이해, 실패 분석 및 실패 수정을 전문으로 하는 경량 멀티모달 모델을 개발함으로써, 대규모 상용 모델과 견줄 만한 성능을 유지하면서도 효율적인 로컬 배포를 가능하게 합니다. 실험 결과에 따르면 RoboFAC은 GPT-4o 대비 34.1% 더 높은 실패 분석 정확도를 달성합니다. 나아가 실제 VLA 제어 파이프라인에 RoboFAC을 외부 감독자로 통합하여 4개 태스크 전반에서 29.1%의 상대적 성능 향상을 이끌어내는 동시에 GPT-4o 대비 지연 시간(latency)을 크게 줄였습니다. 이러한 결과는 RoboFAC이 체계적인 실패 진단 및 복구를 가능하게 하여 VLA 복구 능력을 크게 향상시킴을 입증합니다. 모델과 데이터셋은 https://github.com/MINT-SJTU/RoboFAC 에서 공개되어 있습니다.
Epona: Autoregressive Diffusion World Model for Autonomous Driving
Re4MPC: Reactive Nonlinear MPC for Multi-model Motion Planning via Deep Reinforcement Learning
Prime the search: Using large language models for guiding geometric task and motion planning by warm-starting tree search
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
In submission. Best paper award at the Search Algorithms for Robot Learning workshop IROS 2026