日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2509.21020

EVバッテリー分解のためのマルチロボット協調と反応的衝突回避を統合したハイブリッドTAMP

Hybrid Task and Motion Planning with Reactive Collision Handling for Multi-Robot Disassembly of Complex Products: Application to EV Batteries

シェア:XThreadsFacebookLINEはてブBluesky

視覚駆動のタスク・モーション計画(TAMP)と学習ベースRRT、予測衝突検査と反応的回避を組み合わせ、二腕ロボットによるEVバッテリー分解を閉ループで実行する枠組みを提案した。

詳しい要約

1. どんなもの?

- 複雑な製品のマルチロボット分解作業を対象とした視覚駆動の task-and-motion planning (TAMP) フレームワーク - 実機の dual-agent プラットフォーム上で動作 - タスク分解・割当と学習ベース RRT planner を統合 - EV battery 分解を実証対象とする - 閉ループ運用 - 繰り返しの scene scan と完了状態追跡により残タスク列を更新 - 固定の open-loop plan を実行しない

2. 先行研究と比べてどこがすごい?

- 同一の知覚・タスク割当条件下で Default-RRTConnect と比較 - 累積 end-effector 経路長を 48.8→17.9 m(-63.3%)に短縮 - makespan を 467.9→429.8 s(-8.1%)に改善 - swept volume を削減(R1: 0.583→0.139 m³、R2: 0.696→0.252 m³) - overlap を 0.064→0.034 m³ に削減 - 予測的計画と反応的衝突回避の統合により、運動のコンパクト性・安全性・スケーラビリティを実 dual-arm 分解で示した点 - 先行研究との個別比較の詳細は要旨からは不明

3. 技術・手法の肝は?

- 視覚駆動 TAMP によるタスク分解・割当と学習ベース RRT planner の統合 - GMM-informed motion planner を採用 - hybrid safety layer - MoveIt/FCL digital twin 上での predictive collision checking - 視覚ベースの reactive avoidance と replanning - 閉ループ更新 - 繰り返し scene scan と completion-state tracking で残タスク列を更新 - 同時に満たすべき制約 - task precedence、geometric feasibility、dynamic obstacle avoidance、dual-arm coordination

4. どうやって有効だと検証した?

- EV battery 分解実験で実 dual-agent プラットフォーム上にて検証 - Default-RRTConnect を同一の知覚・タスク割当条件下の比較対象とする - 評価指標 - 累積 end-effector 経路長(48.8→17.9 m) - makespan(467.9→429.8 s) - swept volume(R1: 0.583→0.139 m³、R2: 0.696→0.252 m³) - overlap(0.064→0.034 m³)

5. 議論はある?

- 予測的計画と反応的衝突回避の組合せが、実 dual-arm 分解で運動のコンパクト性・安全性・スケーラビリティを改善すると結論 - より広いマルチロボット逐次マニピュレーションタスクへの拡張可能性に言及 - 限界・失敗事例・計算コストなどの詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- Default-RRTConnect(比較対象として要旨で参照) - RRT planner 関連の学習ベース計画手法 - MoveIt/FCL を用いた collision checking 関連研究 - GMM を用いた motion planning 関連研究 - task-and-motion planning (TAMP) のマルチロボット拡張に関する研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Abdelaziz Shaarawy, Cansu Erdogan, Rustam Stolkin, Alireza Rastegarpanah

分類: cs.RO

原文アブストラクト

This paper addresses the problem of multi-robot coordination for complex manipulation task sequences. We present a vision-driven task-and-motion planning (TAMP) framework for a real dual-agent platform that integrates task decomposition and allocation with a learning-based RRT planner. A GMM-informed motion planner is coupled with a hybrid safety layer that combines predictive collision checking in a MoveIt/FCL digital twin with reactive vision-based avoidance and replanning. This integration is challenging as the system jointly satisfies task precedence, geometric feasibility, dynamic obstacle avoidance, and dual-arm coordination constraints. The framework operates in closed loop by updating the remaining task sequence from repeated scene scans and completion-state tracking rather than executing a fixed open-loop plan. In EV battery disassembly experiments, compared with Default-RRTConnect under identical perception and task assignments, the proposed system reduces cumulative end-effector path length from 48.8 to 17.9~m ($-63.3\%$), improves makespan from 467.9 to 429.8~s ($-8.1\%$), and reduces swept volumes (R1: $0.583\rightarrow0.139\,\mathrm{m}^3$, R2: $0.696\rightarrow0.252\,\mathrm{m}^3$) and overlap ($0.064\rightarrow0.034\,\mathrm{m}^3$). These results show that combining predictive planning and reactive collision avoidance in a real dual-arm disassembly scenario improves motion compactness, safety, and scalability to broader multi-robot sequential manipulation tasks.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI