論文の概要: A Framework for Real-World Multi-Robot Systems Running Decentralized GNN-Based Policies

• arxiv url: http://arxiv.org/abs/2111.01777v1
• Date: Tue, 2 Nov 2021 17:53:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 15:05:04.495709
• Title: A Framework for Real-World Multi-Robot Systems Running Decentralized GNN-Based Policies
• Title（参考訳）: 分散GNNに基づく実世界のマルチロボットシステムのためのフレームワーク
• Authors: Jan Blumenkamp, Steven Morad, Jennifer Gielis, Qingbiao Li, Amanda Prorok
• Abstract要約: グラフニューラルネットワーク(GNN)は、複雑なマルチエージェント動作の学習を容易にするパラダイムシフト型ニューラルネットワークである。 最近の研究は、群れ、マルチエージェントパス計画、協調的カバレッジといったタスクにおいて顕著なパフォーマンスを示している。 本稿では,GNN ベースのポリシーの完全分散実行を可能にするシステムの設計について述べる。
• 参考スコア（独自算出の注目度）: 4.40401067183266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) are a paradigm-shifting neural architecture to facilitate the learning of complex multi-agent behaviors. Recent work has demonstrated remarkable performance in tasks such as flocking, multi-agent path planning and cooperative coverage. However, the policies derived through GNN-based learning schemes have not yet been deployed to the real-world on physical multi-robot systems. In this work, we present the design of a system that allows for fully decentralized execution of GNN-based policies. We create a framework based on ROS2 and elaborate its details in this paper. We demonstrate our framework on a case-study that requires tight coordination between robots, and present first-of-a-kind results that show successful real-world deployment of GNN-based policies on a decentralized multi-robot system relying on Adhoc communication. A video demonstration of this case-study can be found online. https://www.youtube.com/watch?v=COh-WLn4iO4
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、複雑なマルチエージェント動作の学習を容易にするパラダイムシフト型ニューラルネットワークである。 最近の研究は、群れ、マルチエージェントパス計画、協調的カバレッジといったタスクにおいて顕著なパフォーマンスを示している。 しかし、GNNベースの学習スキームによって導かれるポリシーは、物理マルチロボットシステム上で現実世界にまだ適用されていない。 本稿では,GNN ベースのポリシを分散的に実行可能なシステムの設計について述べる。 我々はROS2に基づくフレームワークを作成し、その詳細を本稿で詳述する。 我々は,ロボット間の緊密な協調を必要とする事例研究の枠組みを実証し,アドホックなコミュニケーションに依存する分散マルチロボットシステム上でgnnベースのポリシーを実世界で展開することに成功した実例を示す。 このケーススタディのビデオはオンラインで見ることができる。 https://www.youtube.com/watch? v=COh-WLn4iO4

関連論文リスト

• Graph Neural Networks Gone Hogwild [14.665528337423249]
  メッセージパッシンググラフニューラルネットワーク(GNN)は、推論中にノードが非同期に更新されると、破滅的に誤った予測を生成する。 本研究では、GNNを、部分的に非同期な"hogwild"推論に対して確実に堅牢なアーキテクチャのクラスとして識別する。 そこで我々は,エネルギーGNNと呼ぶ,暗黙的に定義されたGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-06-29T17:11:09Z)
• 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)
• RoSGAS: Adaptive Social Bot Detection with Reinforced Self-Supervised GNN Architecture Search [12.567692688720353]
  ソーシャルボットは、人間のように振る舞おうとするソーシャルネットワーク上の自動アカウントである。 本稿では,新しいGNNアーキテクチャ検索フレームワークであるRoSGASを提案する。 我々は異種情報ネットワークを利用して、アカウントメタデータ、関係性、行動特徴、コンテンツ特徴を活用することで、ユーザ接続性を示す。 5つのTwitterデータセットの実験によると、RoSGASは精度、トレーニング効率、安定性の点で最先端のアプローチを上回っている。
  論文  参考訳（メタデータ） (2022-06-14T11:12:02Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  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。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)
• Wide and Deep Graph Neural Networks with Distributed Online Learning [175.96910854433574]
  グラフニューラルネットワーク(GNN)は、自然に分散したアーキテクチャでネットワークデータから表現を学習する。 オンライン学習は、テスト時にGNNを再トレーニングするために使用することができ、この問題を克服することができる。 本稿では,分散オンライン学習機構で容易に更新できる新しいアーキテクチャであるWide and Deep GNN(WD-GNN)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T12:48:03Z)
• Graph Neural Networks for Decentralized Controllers [171.6642679604005]
  自律エージェントで構成される動的システムは、ロボット工学、スマートグリッド、スマートシティなど、多くの関連する問題に現れる。 最適な集中型コントローラは容易に利用できるが、スケーラビリティと実用的な実装の面で制限に直面している。 グラフニューラルネットワーク(GNN)を用いて,データから分散制御系を学習するフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-23T13:51:18Z)
• VGAI: End-to-End Learning of Vision-Based Decentralized Controllers for Robot Swarms [237.25930757584047]
  ビジュアル入力のみに基づいて分散制御系を学習することを提案する。 初めて、コミュニケーションと視覚知覚という2つの重要な要素の学習を統合する。 提案する学習フレームワークは,各ロボットが視覚入力からメッセージを取り出すための畳み込みニューラルネットワーク(CNN)と,これらのメッセージの送信,受信,処理を行うためのSwarm全体のグラフニューラルネットワーク(GNN)を組み合わせる。
  論文  参考訳（メタデータ） (2020-02-06T15:25:23Z)

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。