論文の概要: Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection

• arxiv url: http://arxiv.org/abs/2105.08601v1
• Date: Tue, 18 May 2021 15:32:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 14:10:37.156948
• Title: Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection
• Title（参考訳）: 分散マルチロボットサブモジュラー動作選択のためのグラフニューラルネットワーク
• Authors: Lifeng Zhou, Vishnu D. Sharma, Qingbiao Li, Amanda Prorok, Alejandro Ribeiro, Vijay Kumar
• Abstract要約: ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
• 参考スコア（独自算出の注目度）: 101.38634057635373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we develop a learning-based approach for decentralized submodular maximization. We focus on applications where robots are required to jointly select actions, e.g., motion primitives, to maximize team submodular objectives with local communications only. Such applications are essential for large-scale multi-robot coordination such as multi-robot motion planning for area coverage, environment exploration, and target tracking. But the current decentralized submodular maximization algorithms either require assumptions on the inter-robot communication or lose some suboptimal guarantees. In this work, we propose a general-purpose learning architecture towards submodular maximization at scale, with decentralized communications. Particularly, our learning architecture leverages a graph neural network (GNN) to capture local interactions of the robots and learns decentralized decision-making for the robots. We train the learning model by imitating an expert solution and implement the resulting model for decentralized action selection involving local observations and communications only. We demonstrate the performance of our GNN-based learning approach in a scenario of active target coverage with large networks of robots. The simulation results show our approach nearly matches the coverage performance of the expert algorithm, and yet runs several orders faster with more than 30 robots. The results also exhibit our approach's generalization capability in previously unseen scenarios, e.g., larger environments and larger networks of robots.
• Abstract（参考訳）: 本稿では,分散化サブモジュラー最大化のための学習ベースアプローチを開発する。 ロボットが行動プリミティブなどのアクションを共同で選択し、ローカルコミュニケーションのみによるチームサブモジュラー目標を最大化するためのアプリケーションに注目します。 このようなアプリケーションは、エリアカバレッジのためのマルチロボットモーションプランニング、環境探索、ターゲット追跡など、大規模なマルチロボット協調に不可欠である。 しかし、現在の分散化部分モジュラー最大化アルゴリズムは、ロボット間通信の仮定を必要とするか、あるいはいくつかの準最適保証を失う。 本研究では,分散通信を用いた大規模部分モジュラー最大化に向けた汎用学習アーキテクチャを提案する。 特に、我々の学習アーキテクチャはグラフニューラルネットワーク(GNN)を利用して、ロボットの局所的な相互作用を捉え、ロボットの分散意思決定を学ぶ。 専門的なソリューションを模倣して学習モデルを訓練し,局所的な観察とコミュニケーションのみを含む分散的な行動選択モデルを実装した。 我々は,大規模ロボットネットワークを用いたアクティブターゲットカバレッジのシナリオにおいて,GNNベースの学習手法の性能を示す。 シミュレーションの結果,我々のアプローチは,エキスパートアルゴリズムのカバレッジ性能にほぼ匹敵するものの,30体以上のロボットで複数の注文を高速に実行することがわかった。 また,従来は認識されていなかったシナリオ,例えば,より大きな環境やロボットのネットワークなどにおいて,我々のアプローチの一般化能力を示す。

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)
• Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
  本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。 そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。 Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
  論文  参考訳（メタデータ） (2024-08-29T20:22:22Z)
• 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)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• Learning Interaction-Aware Trajectory Predictions for Decentralized Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
  本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。 次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
  論文  参考訳（メタデータ） (2021-02-10T11:11:08Z)
• Message-Aware Graph Attention Networks for Large-Scale Multi-Robot Path Planning [12.988435681305281]
  グラフニューラルネットワーク(GNN)は、分散マルチエージェントシステムにおける通信ポリシの学習能力から人気を集めている。 我々は、メッセージ依存の注意を喚起するための新しいメカニズムを取り入れることで、GNNをマルチエージェントパス計画に活用する以前の作業を拡張した。 我々のメッセージ対応グラフ注意neTwork(MAGAT)は、近隣のロボットから受信したメッセージにおける特徴の相対的重要性を決定するキークエリライクなメカニズムに基づいている。
  論文  参考訳（メタデータ） (2020-11-26T10:37:13Z)

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。