複数のロボットアームを協調させるマルチアーム操作は、多くの操作タスクのスループット、効率、器用さを大きく向上させる可能性を持つ。近年の研究では、共有ワークセル内の複数アームに対してタスクを割り当て・スケジューリングして並列性を高める手法、マルチアームの運動を統合的に計画する手法、あるいはマルチアームのポリシーを直接学習する手法が提案されてきた。しかしこれらの手法は、計算が遅すぎる、領域固有の仮定に依存する、あるいはロボット数やタスクの時間軸が増えるとスケールしないといった課題を抱えている。
これに対してPhilip Huangら5名の著者は、GPU並列性と協調設計された競合ベースプランナであるcuArmsを提案する。この手法の要点は探索空間の効率的な分解にある。各ロボットに対して再利用可能なマルチモーダルロードマップを用意することで、個々のロボットの実行可能な運動を複数のタスクで繰り返し活用でき、毎回ゼロから探索する必要がなくなる。その上でcuArmsは遅延探索を用いてロボット間の競合やデッドロックに対処し、必要な箇所だけを展開して矛盾を解消することで、計算資源を本当に調整が必要な部分に集中させる。
タスク割当、スケジューリング、運動軌道、そして具体的な操作スキルを統合的に最適化するため、研究チームはcuArmsの上位に高レベルスケジューラを統合している。このスケジューラは候補となるタスク骨格を提案し、cuArmsがそれを協調されたマルチアーム操作計画へと具体化する。この上下層の連携により、システムは迅速に実行可能な解を提示しつつ、その後の探索で継続的に改善できる。
実験結果によれば、本手法は運動品質とスケジューリングの両面で新たな最先端を確立し、リアルタイムの初期解を提示するとともに、計算時間の増加に応じて解を改善する随時改善を可能にする。学習ベースの手法が必要とする数日間の領域固有トレーニングを経ることなく運用できる点も特徴である。論文は8ページ・図8点で、ロボティクス、人工知能、マルチエージェントシステムに関連し、著者らはプロジェクトページでシミュレーションと実世界の産業タスクの動画を公開している。本論文は2026年10月26日にarXivへ投稿され、番号はarXiv:2610.36250である。