論文の概要: Distributing Collaborative Multi-Robot Planning with Gaussian Belief
Propagation
- arxiv url: http://arxiv.org/abs/2203.11618v1
- Date: Tue, 22 Mar 2022 11:13:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 15:17:29.017493
- Title: Distributing Collaborative Multi-Robot Planning with Gaussian Belief
Propagation
- Title(参考訳): gaussian belief propagationを用いた協調型マルチロボット計画の分散
- Authors: Aalok Patwardhan, Riku Murai and Andrew J. Davison
- Abstract要約: 本稿では、動的制約と衝突制約を定義する汎用因子グラフに基づく、新しい純粋分散手法を実証する。
本手法は, 道路交通シミュレーションシナリオにおいて, 極めて高性能な協調計画を可能にすることを示す。
- 参考スコア(独自算出の注目度): 13.65857209749568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precise coordinated planning enables safe and highly efficient motion when
many robots must work together in tight spaces, but this would normally require
centralised control of all devices which is difficult to scale. We demonstrate
a new purely distributed technique based on Gaussian Belief Propagation on
multi-robot planning problems formulated by a generic factor graph defining
dynamics and collision constraints. We show that our method allows extremely
high performance collaborative planning in a simulated road traffic scenario,
where vehicles are able to cross each other at a busy multi-lane junction while
maintaining much higher average speeds than alternative distributed planning
techniques. We encourage the reader to view the accompanying video
demonstration to this work at https://youtu.be/5d4LXbxgxaY.
- Abstract(参考訳): 正確な協調計画では、多くのロボットが密な空間で一緒に作業する必要がある場合、安全で高効率な動作を可能にするが、これは通常、スケーリングが難しいすべてのデバイスを集中的に制御する必要がある。
動的および衝突制約を定義する汎用因子グラフにより定式化されたマルチロボット計画問題に対するガウス的信念伝搬に基づく新しい純粋分散手法を実証する。
提案手法は,多車線の交差点で車両が相互に交差し,他の分散計画手法よりもはるかに高い平均速度を維持できるシミュレート道路交通シナリオにおいて,極めて高性能な協調計画が可能となることを示す。
読者は、この作品に付随するビデオデモをhttps://youtu.be/5d4lxbxgxay.com/で見ることをお勧めします。
関連論文リスト
- AI planning in the imagination: High-level planning on learned abstract
search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。
本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文 参考訳(メタデータ) (2023-08-16T22:47:16Z) - Learning to Coordinate for a Worker-Station Multi-robot System in Planar
Coverage Tasks [16.323122275188354]
ランダムな動的干渉器を有する大規模平面領域におけるマルチロボットカバレッジパス計画問題に着目する。
本稿では,実際の作業に必要なリソースが限られている複数の作業者と,資源補給に十分なリソースを持つ1つのステーションからなる作業者ステーションMSSを紹介する。
本稿では、労働者のカバレッジプランニングと駅のランデブープランニングを同時に解決する、エンドツーエンドの分散オンラインプランニング手法を提案する。
論文 参考訳(メタデータ) (2022-08-05T05:36:42Z) - Simultaneous Contact-Rich Grasping and Locomotion via Distributed
Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。
ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
論文 参考訳(メタデータ) (2022-07-04T13:52:10Z) - Distributed Allocation and Scheduling of Tasks with Cross-Schedule
Dependencies for Heterogeneous Multi-Robot Teams [2.294915015129229]
本稿では,異なるロボットのタスクが時間的・優先的な制約に強く結びついているミッションに対して,タスク割り当てとスケジューリングを行うアルゴリズムを提案する。
マルチロボットシステムによって維持される温室の実用ユースケースへの計画手順の適用。
論文 参考訳(メタデータ) (2021-09-07T13:44:28Z) - 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) - 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) - 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) - Fast-reactive probabilistic motion planning for high-dimensional robots [15.082715993594121]
p-Chekovは、プロセスノイズや観察ノイズに苦しむ高次元ロボットに安全保証を提供する高速反応型モーションプランニングシステムである。
包括的理論的および経験的分析により、p-チェコフは、実用的なロボット操作タスクにおける衝突リスクに対するユーザ特定確率制約を効果的に満たせることが示された。
論文 参考訳(メタデータ) (2020-12-03T17:51:07Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳(メタデータ) (2020-08-18T08:05:15Z) - Multi-Agent Routing Value Iteration Network [88.38796921838203]
疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。
最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
論文 参考訳(メタデータ) (2020-07-09T22:16:45Z)
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。