論文の概要: With Whom to Communicate: Learning Efficient Communication for Multi-Robot Collision Avoidance

• arxiv url: http://arxiv.org/abs/2009.12106v1
• Date: Fri, 25 Sep 2020 09:49:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 23:25:34.075739
• Title: With Whom to Communicate: Learning Efficient Communication for Multi-Robot Collision Avoidance
• Title（参考訳）: コミュニケーション:マルチロボットコラボレーション回避のための効率的なコミュニケーション学習
• Authors: \'Alvaro Serra-G\'omez, Bruno Brito, Hai Zhu, Jen Jen Chung, Javier Alonso-Mora
• Abstract要約: 本稿では,複数ロボット衝突回避シナリオにおいて,「いつ」と「誰」がコミュニケーションを行うのかという課題を解決するための効率的な通信手法を提案する。 このアプローチでは、全てのロボットが他のロボットの状態について推論することを学び、他のロボットの軌道計画を求める前に将来の衝突のリスクを考える。
• 参考スコア（独自算出の注目度）: 17.18628401523662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized multi-robot systems typically perform coordinated motion planning by constantly broadcasting their intentions as a means to cope with the lack of a central system coordinating the efforts of all robots. Especially in complex dynamic environments, the coordination boost allowed by communication is critical to avoid collisions between cooperating robots. However, the risk of collision between a pair of robots fluctuates through their motion and communication is not always needed. Additionally, constant communication makes much of the still valuable information shared in previous time steps redundant. This paper presents an efficient communication method that solves the problem of "when" and with "whom" to communicate in multi-robot collision avoidance scenarios. In this approach, every robot learns to reason about other robots' states and considers the risk of future collisions before asking for the trajectory plans of other robots. We evaluate and verify the proposed communication strategy in simulation with four quadrotors and compare it with three baseline strategies: non-communicating, broadcasting and a distance-based method broadcasting information with quadrotors within a predefined distance.
• Abstract（参考訳）: 分散化されたマルチロボットシステムは通常、すべてのロボットの努力を協調する中央システムの欠如に対処する手段として、意図を常に放送することで協調した動作計画を実行する。 特に複雑な動的環境においては,協調ロボット同士の衝突を避けるためには,コミュニケーションによる協調促進が不可欠である。 しかし、ロボット同士の衝突のリスクは動きによって変動し、通信は必ずしも必要ではない。 さらに、定常的なコミュニケーションは、以前の時間ステップで共有される貴重な情報の多くを冗長にする。 本稿では,複数ロボット衝突回避シナリオにおける"when"と"whom"の課題を解決する効率的な通信手法を提案する。 このアプローチでは、全てのロボットが他のロボットの状態を推論し、他のロボットの軌道計画を求める前に将来の衝突のリスクを考える。 提案する通信戦略を4つのクワッドロータとのシミュレーションで評価・検証し,非通信,ブロードキャスト,事前定義された距離内のクワッドロータを用いた情報ブロードキャスト方式の3つのベースライン戦略と比較した。

関連論文リスト

• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Multi-Robot Informative Path Planning for Efficient Target Mapping using Deep Reinforcement Learning [11.134855513221359]
  本稿では,多ボット情報経路計画のための新しい深層強化学習手法を提案する。 我々は、集中的な訓練と分散実行パラダイムを通じて強化学習政策を訓練する。 提案手法は,他の最先端のマルチロボット目標マッピング手法よりも33.75%向上する。
  論文  参考訳（メタデータ） (2024-09-25T14:27:37Z)
• The Shortcomings of Force-from-Motion in Robot Learning [48.036338624248835]
  我々は、ロボット学習におけるより対話的な行動空間について論じる。 現在のロボット学習のアプローチは、インタラクションに対するポリシー制御を明示的に提供しない動き中心のアクション空間に焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-03T08:23:02Z)
• Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
  脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。 現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。 本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T21:00:30Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [80.86089324742024]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• Asynchronous Perception-Action-Communication with Graph Neural Networks [93.58250297774728]
  グローバルな目的を達成するため,大規模なロボット群における協調作業は,大規模環境における課題である。 ロボットはパーセプション・アクション・コミュニケーションループを実行し、ローカル環境を認識し、他のロボットと通信し、リアルタイムで行動を起こす必要がある。 近年では、フロッキングやカバレッジ制御などのアプリケーションでグラフニューラルネットワーク(GNN)を使用してこの問題に対処している。 本稿では、分散化されたGNNを用いてナビゲーション動作を計算し、通信のためのメッセージを生成するロボット群における非同期PACフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T21:20:50Z)
• Communication-Efficient Reinforcement Learning in Swarm Robotic Networks for Maze Exploration [2.958532752589616]
  コミュニケーションは、Swarmロボットの協調の成功の鍵である。 本稿では,Swarmロボットをコーディネートする通信効率の高い分散協調強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T16:56:00Z)
• Simulation of robot swarms for learning communication-aware coordination [0.0]
  我々は、全能集中型コントローラから得られる局所的な観測を入力として、エンドツーエンドのニューラルネットワークを訓練する。 実験は、平面ロボットの高性能オープンソースシミュレータであるEnkiで実施されている。
  論文  参考訳（メタデータ） (2023-02-25T17:17:40Z)
• Improving safety in physical human-robot collaboration via deep metric learning [36.28667896565093]
  柔軟な生産シナリオでは、ロボットとの直接の物理的相互作用がますます重要になっている。 リスクポテンシャルを低く抑えるため、物理的な接触がある場合や安全距離に違反する場合など、比較的簡単な操作措置が定められている。 この研究はDeep Metric Learning(DML)アプローチを用いて、非接触ロボットの動き、物理的人間とロボットの相互作用を目的とした意図的な接触、衝突状況の区別を行う。
  論文  参考訳（メタデータ） (2023-02-23T11:26:51Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。