論文の概要: Learning to Coordinate for a Worker-Station Multi-robot System in Planar
Coverage Tasks
- arxiv url: http://arxiv.org/abs/2208.02993v1
- Date: Fri, 5 Aug 2022 05:36:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 13:11:51.366551
- Title: Learning to Coordinate for a Worker-Station Multi-robot System in Planar
Coverage Tasks
- Title(参考訳): 平面被覆タスクにおけるワークステーション型マルチロボットシステムの協調学習
- Authors: Jingtao Tang, Yuan Gao, Tin Lun Lam
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 16.323122275188354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For massive large-scale tasks, a multi-robot system (MRS) can effectively
improve efficiency by utilizing each robot's different capabilities, mobility,
and functionality. In this paper, we focus on the multi-robot coverage path
planning (mCPP) problem in large-scale planar areas with random dynamic
interferers in the environment, where the robots have limited resources. We
introduce a worker-station MRS consisting of multiple workers with limited
resources for actual work, and one station with enough resources for resource
replenishment. We aim to solve the mCPP problem for the worker-station MRS by
formulating it as a fully cooperative multi-agent reinforcement learning
problem. Then we propose an end-to-end decentralized online planning method,
which simultaneously solves coverage planning for workers and rendezvous
planning for station. Our method manages to reduce the influence of random
dynamic interferers on planning, while the robots can avoid collisions with
them. We conduct simulation and real robot experiments, and the comparison
results show that our method has competitive performance in solving the mCPP
problem for worker-station MRS in metric of task finish time.
- Abstract(参考訳): 大規模タスクでは、複数ロボットシステム(MRS)が各ロボットの異なる能力、移動性、機能を利用して効率を効果的に向上することができる。
本稿では,ロボットが限られた資源を持つ環境において,ランダムな動的干渉を伴う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(mCPP)問題に焦点をあてる。
我々は,実作業に必要なリソースが限られている複数の作業員と,資源補給に必要なリソースが足りる1つのステーションからなる作業者ステーションmrsを紹介する。
完全協調型マルチエージェント強化学習問題として定式化することで,作業者用MSSのmCPP問題を解くことを目指している。
次に,作業者のカバレッジ計画と駅のランデブー計画を同時に解決するエンド・ツー・エンドの分散オンライン計画手法を提案する。
提案手法は,ランダムな動的干渉が計画に与える影響を低減し,ロボットは衝突を避けることができる。
シミュレーションと実ロボット実験を行い,本手法が作業終了時間のメートル法において,作業停止時MSSのmCPP問題を解く上での競合性能を示すことを示した。
関連論文リスト
- Safe Task Planning for Language-Instructed Multi-Robot Systems using
Conformal Prediction [13.053013407015628]
ミッション成功率の高い分散型マルチロボットプランナを新たに導入する。
これは、分布のない不確実性定量化ツールである共形予測(CP)をブラックボックスモデルで活用することで達成される。
理論的にも経験的にも,提案したプランナは,ヘルプリクエストの総数を最小限に抑えながら,ユーザ特定タスクの成功率を達成可能であることを示す。
論文 参考訳(メタデータ) (2024-02-23T15:02:44Z) - Robot Fleet Learning via Policy Merging [58.5086287737653]
我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。
本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。
合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
論文 参考訳(メタデータ) (2023-10-02T17:23:51Z) - Multi-robot Social-aware Cooperative Planning in Pedestrian Environments
Using Multi-agent Reinforcement Learning [2.7716102039510564]
我々は、非政治的マルチエージェント強化学習(MARL)に基づく、新しいマルチロボット・ソーシャル・アウェア・効率的な協調プランナーを提案する。
我々は、時間空間グラフ(TSG)に基づくソーシャルエンコーダを採用し、その視野における各ロボットと歩行者の社会的関係の重要性をよりよく抽出する。
論文 参考訳(メタデータ) (2022-11-29T03:38:47Z) - Scalable Multi-robot Motion Planning for Congested Environments With
Topological Guidance [2.846144602096543]
マルチロボットモーションプランニング(MRMP)は、連続状態空間におけるロボットの衝突のない経路を見つける問題である。
我々は、トポロジカルガイダンスによって提供される改善された効率を活用するために、既存のシングルロボットモーションプランニング手法を拡張した。
提案手法は,多くの狭い経路を持つ複雑な環境における経路を効率的に計画する能力を示し,既存の方法の最大25倍の大きさのロボットチームに拡張する。
論文 参考訳(メタデータ) (2022-10-13T16:26:01Z) - DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in
Complex Environments [55.204450019073036]
本稿では,倉庫環境における移動ロボットのためのタスク割り当てと分散ナビゲーションアルゴリズムを提案する。
本稿では,共同分散タスク割り当てとナビゲーションの問題について考察し,それを解決するための2段階のアプローチを提案する。
ロボットの衝突のない軌道の計算では,タスク完了時間において最大14%の改善と最大40%の改善が観察される。
論文 参考訳(メタデータ) (2022-09-07T00:35:27Z) - Graph-Based Multi-Robot Path Finding and Planning [3.4260993997836753]
複数のロボットの衝突のない経路を計画することは、現実のマルチロボットシステムにとって重要である。
近年の進歩により、何百ものロボットの衝突のない経路を計算できるMAPFアルゴリズムが実現されている。
論文 参考訳(メタデータ) (2022-06-22T18:47:00Z) - 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) - Scalable Multi-Robot System for Non-myopic Spatial Sampling [9.37678298330157]
本稿では,空間場の非一様サンプリングのためのスケーラブルな分散マルチロボット計画アルゴリズムを提案する。
我々は,複数のロボット間のコミュニケーションがチーム全体のサンプリング性能に与える影響を,独立して分析する。
論文 参考訳(メタデータ) (2021-05-20T20:30:10Z) - 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) - Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic
Platforms [60.59764170868101]
強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。
私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。
我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
論文 参考訳(メタデータ) (2021-03-05T14:16:20Z) - Large Scale Distributed Collaborative Unlabeled Motion Planning with
Graph Policy Gradients [122.85280150421175]
本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。
ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
論文 参考訳(メタデータ) (2021-02-11T21:57:43Z)
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。