Abstract
本論文は、複雑な操作タスクのシーケンスに対するマルチロボット協調の問題に取り組む。タスク分解と割当てを、学習ベースのRRTプランナと統合する、視覚駆動のタスク・アンド・モーション計画（TAMP）フレームワークを、実際のデュアルエージェント基盤に対して提案する。この枠組みでは、GMMに基づくモーションプランナを、ハイブリッドな安全層と組み合わせる。安全層は、MoveIt/FCLのデジタルツインにおける予測的衝突検査と、リアクティブな視覚ベース回避および再計画を組み合わせたものだ。この統合は難しく、システムは同時に、タスクの優先関係、幾何学的実行可能性、動的障害物の回避、デュアルアーム協調の制約を満たす必要がある。提案フレームワークは、固定のオープンループ計画を実行するのではなく、繰り返しのシーン走査と完了状態の追跡によって残りのタスクシーケンスを更新することで、クローズドループとして動作する。EVバッテリの解体実験では、同一の知覚条件およびタスク割当てのもとでDefault-RRTConnectと比較して、提案システムは累積エンドエフェクタ経路長を48.8から17.9~mへ（-63.3\%）短縮し、メイクスパンを467.9から429.8~sへ（-8.1\%）改善した。さらに、掃引体積（R1: 0.583\rightarrow0.139\,\mathrm{m}^3, R2: 0.696\rightarrow0.252\,\mathrm{m}^3）と重なり（0.064\rightarrow0.034\,\mathrm{m}^3）も削減した。これらの結果は、実際のデュアルアーム解体シナリオにおいて、予測的計画とリアクティブな衝突回避を組み合わせることが、モーションのコンパクトさ、安全性、そしてより広範なマルチロボット逐次操作タスクへのスケーラビリティを向上させることを示している。
