Fugu-MT 論文翻訳(概要): Robotic Brain Storm Optimization: A Multi-target Collaborative Searching Paradigm for Swarm Robotics

論文の概要: Robotic Brain Storm Optimization: A Multi-target Collaborative Searching Paradigm for Swarm Robotics

arxiv url: http://arxiv.org/abs/2105.13108v1
Date: Thu, 27 May 2021 13:05:48 GMT
ステータス: 処理完了
システム内更新日: 2023-03-29 07:14:41.741050
Title: Robotic Brain Storm Optimization: A Multi-target Collaborative Searching Paradigm for Swarm Robotics
Title（参考訳）: ロボット脳ストーム最適化:Swarm Roboticsのための多目的協調探索パラダイム
Authors: Jian Yang and Yuhui Shi
Abstract要約: 本稿では,ロボットBSOと呼ばれる群ロボットのためのBSOベースの協調探索フレームワークを提案する。提案手法はBSOの誘導探索特性をシミュレートし,Swarm Robotics のマルチターゲット探索問題に優れた可能性を持つ。
参考スコア（独自算出の注目度）: 24.38312890501329
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Swarm intelligence optimization algorithms can be adopted in swarm robotics for target searching tasks in a 2-D or 3-D space by treating the target signal strength as fitness values. Many current works in the literature have achieved good performance in single-target search problems. However, when there are multiple targets in an environment to be searched, many swarm intelligence-based methods may converge to specific locations prematurely, making it impossible to explore the environment further. The Brain Storm Optimization (BSO) algorithm imitates a group of humans in solving problems collectively. A series of guided searches can finally obtain a relatively optimal solution for particular optimization problems. Furthermore, with a suitable clustering operation, it has better multi-modal optimization performance, i.e., it can find multiple optima in the objective space. By matching the members in a robotic swarm to the individuals in the algorithm under both environments and robots constraints, this paper proposes a BSO-based collaborative searching framework for swarm robotics called Robotic BSO. The simulation results show that the proposed method can simulate the BSO's guided search characteristics and has an excellent prospect for multi-target searching problems for swarm robotics.
Abstract（参考訳）: swarm intelligence optimizationアルゴリズムは、ターゲット信号強度を適合値として扱うことで、2次元または3次元空間におけるターゲット探索タスクにswarm roboticsで採用することができる。文学における現在の多くの研究は、単一ターゲット探索問題において優れた成果を上げている。しかし、探索すべき環境に複数の目標が存在する場合、多くの群集知能に基づく手法が特定の場所に早期に収束し、環境をさらに探索することは不可能である。 brain storm optimization (bso) アルゴリズムは、人間の集団を模倣して問題解決を行う。一連のガイド付き探索は、最終的に特定の最適化問題に対して比較的最適な解が得られる。さらに、適切なクラスタリング操作により、より優れたマルチモーダル最適化性能、すなわち、目的空間に複数の最適化を見出すことができる。本稿では,ロボット群れのメンバを環境とロボットの制約の下でアルゴリズムの個人とマッチングすることにより,ロボット群ロボットのためのbsoベースの協調探索フレームワークであるrobotic bsoを提案する。シミュレーションの結果,提案手法はbsoの誘導探索特性をシミュレートでき,swarm roboticsのマルチターゲット探索問題に対して優れた可能性を示した。

関連論文リスト

Human-Robot Collaborative Minimum Time Search through Sub-priors in Ant Colony Optimization [3.04478108783992]
本稿では,最小時間探索(MTS)課題を解決するため,ACOメタヒューリスティックの拡張を提案する。提案したモデルは2つの主要ブロックから構成される。第1のモデルは畳み込みニューラルネットワーク(CNN)で、オブジェクトがセグメント化された画像からどこにあるかという事前確率を提供する。 2つ目は、サブプライアのMTS-ACOアルゴリズム(SP-MTS-ACO)である。
論文参考訳（メタデータ） (2024-10-01T08:57:28Z)
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)
From Simulations to Reality: Enhancing Multi-Robot Exploration for Urban Search and Rescue [46.377510400989536]
本研究では,コミュニケーションが限られ,位置情報がない未知の環境での効率的なマルチロボット探索のための新しいハイブリッドアルゴリズムを提案する。連続した目標情報なしでシナリオに合うように、ローカルなベストとグローバルなベストポジションを再定義する。提示された研究は、限られた情報と通信能力を持つシナリオにおけるマルチロボット探索の強化を約束している。
論文参考訳（メタデータ） (2023-11-28T17:05:25Z)
SEGO: Sequential Subgoal Optimization for Mathematical Problem-Solving [64.38649623473626]
大規模言語モデル(LLM)は人工知能の大幅な進歩を導いた。数学的問題を解く能力を高めるために,textbfSEquential subtextbfGoal textbfOptimization (SEGO) という新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-10-19T17:56:40Z)
Contribution \`a l'Optimisation d'un Comportement Collectif pour un Groupe de Robots Autonomes [0.0]
この論文は集団ロボット工学の分野、特にマルチロボットシステムの最適化問題を研究している。最初の貢献は、未知領域探索問題の解決にButterfly Algorithm Optimization (BOA) を用いることである。第2の貢献は、ロボット工学における動的増分問題をベンチマークするための新しいシミュレーションフレームワークの開発である。
論文参考訳（メタデータ） (2023-06-10T21:49:08Z)
Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文参考訳（メタデータ） (2022-09-27T17:51:31Z)
Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
論文参考訳（メタデータ） (2022-05-03T17:14:47Z)
A distributed, plug-n-play algorithm for multi-robot applications with a priori non-computable objective functions [2.2452191187045383]
マルチロボットアプリケーションでは、ミッションのユーザ定義の目的を一般的な最適化問題として当てはめることができる。これらの問題には標準勾配の差分型アルゴリズムは適用できない。本稿では,各ロボットのサブコスト関数を慎重に設計するアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-11-14T20:40:00Z)
AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
論文参考訳（メタデータ） (2021-03-22T13:28:56Z)
Rapidly adapting robot swarms with Swarm Map-based Bayesian Optimisation [1.0152838128195467]
予期せぬ環境破壊からの迅速なパフォーマンス回復は、群れロボティクスにおける大きな課題です。この課題を解決するために,制御器のアーカイブを検索して潜在的な回復ソリューションを探索する行動適応手法を提案する。 2つのアルゴリズムを提案する: (i)swarm map-based optimization (smbo) 1つのコントローラを一度に選択・評価し、一様swarmに対して一元的に一元的に評価するアルゴリズムと、(ii)swarm map-based optimisation decentralized (smbo-dec) という非同期バッチベースのベイズ最適化を実行するアルゴリズムである。
論文参考訳（メタデータ） (2020-12-21T15:54:37Z)
Bioinspired Bipedal Locomotion Control for Humanoid Robotics Based on EACO [1.0152838128195467]
本研究は,ヒューマノイドロボットに適用されたEACOのグローバル検索能力と収束率を,リアルタイムに向上させるものである。我々は、ACO、実コードGA、ニューラルネットワーク(NN)付きGA、パーティクルスウォーム最適化(PSO)、複雑なロボティクスシステムなど、幅広い問題に対するEACOアルゴリズムに特別な焦点をあてた。
論文参考訳（メタデータ） (2020-10-09T09:43:48Z)

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。