論文の概要: Planning-assisted autonomous swarm shepherding with collision avoidance
- arxiv url: http://arxiv.org/abs/2301.10363v1
- Date: Wed, 25 Jan 2023 00:18:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-26 16:15:27.566489
- Title: Planning-assisted autonomous swarm shepherding with collision avoidance
- Title（参考訳）: 衝突回避型自律群羊飼いの計画支援
- Authors: Jing Liu, Hemant Singh, Saber Elsayed, Robert Hunjet and Hussein
Abbass
- Abstract要約: 本稿では,衝突回避を考慮した自律型シェパーディングフレームワークを提案する。
提案手法は,Swarmシェパーディング問題を単一トラベリングセールスマン問題(TSP)に変換する。
適応的なスイッチングアプローチがフレームワークに統合され、障害物や羊の群れとの衝突を避けるためのリアルタイムパス計画が導かれる。
- 参考スコア（独自算出の注目度）: 4.314641913939324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic shepherding is a bio-inspired approach to autonomously guiding a
swarm of agents towards a desired location and has earned increasing research
interest recently. However, shepherding a highly dispersed swarm in an
obstructive environment remains challenging for the existing methods. To
improve the shepherding efficacy in complex environments with obstacles and
dispersed sheep, this paper proposes a planning-assisted autonomous shepherding
framework with collision avoidance. The proposed approach transforms the swarm
shepherding problem into a single Travelling Salesman Problem (TSP), with the
sheepdog moving mode classified into non-interaction and interaction mode.
Additionally, an adaptive switching approach is integrated into the framework
to guide real-time path planning for avoiding collisions with obstacles and
sometimes with sheep swarm. Then the overarching hierarchical mission planning
system is presented, which consists of a grouping approach to obtain sheep
sub-swarms, a general TSP solver for determining the optimal push sequence of
sub-swarms, and an online path planner for calculating optimal paths for both
sheepdogs and sheep. The experiments on a range of environments, both with and
without obstacles, quantitatively demonstrate the effectiveness of the proposed
shepherding framework and planning approaches.
- Abstract（参考訳）: ロボット羊飼いは、エージェントの群れを望ましい場所に誘導するバイオインスパイアされたアプローチであり、最近研究の関心が高まっている。
しかし, 遮蔽環境下で高度に分散した群れを飼うことは, 既存の手法では依然として困難である。
障害物や羊の分散を伴う複雑な環境における羊飼いの有効性を向上させるため,本論文では衝突回避のための計画支援型羊飼いフレームワークを提案する。
提案手法は,群れシェパーディング問題を単一トラベリングセールスマン問題 (TSP) に変換し,羊飼いの移動モードを非相互作用モードと相互作用モードに分類する。
さらに、適応的なスイッチングアプローチがフレームワークに統合され、障害物や羊の群れとの衝突を避けるためのリアルタイムパス計画が導かれる。
次に、ヒツジ亜群獲得のためのグループ化アプローチと、ヒツジ亜群集の最適プッシュシーケンスを決定する一般的なTSPソルバと、ヒツジとヒツジの最適パスを計算するオンラインパスプランナーとからなる、階層的なミッションプランニングシステムを提案する。
提案手法の有効性を定量的に示すため, 障害物の有無にかかわらず, 様々な環境における実験を行った。
関連論文リスト
- A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。
HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。
HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
論文 参考訳（メタデータ） (2024-06-12T08:48:06Z) - Evolutionary Swarm Robotics: Dynamic Subgoal-Based Path Formation and
Task Allocation for Exploration and Navigation in Unknown Environments [0.0]
本稿では、視覚的に接続されたサブゴールを利用して、2つの異なる場所間の経路を確立するサブゴールベースのパス形成手法を提案する。
本論文は,経路形成に携わる多数のロボット同士の協調(交通)の問題に対処するものであり,これはサブゴール方式の性能に悪影響を及ぼす。
ローカル通信プロトコルと光信号に基づく通信を活用するタスク割り当て戦略を提案する。
論文 参考訳（メタデータ） (2023-12-27T15:13:56Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - Planning to Practice: Efficient Online Fine-Tuning by Composing Goals in
Latent Space [76.46113138484947]
汎用ロボットは、現実世界の非構造環境において困難なタスクを完了するために、多様な行動レパートリーを必要とする。
この問題に対処するため、目標条件強化学習は、コマンド上の幅広いタスクの目標に到達可能なポリシーを取得することを目的としている。
本研究では,長期的課題に対する目標条件付き政策を実践的に訓練する手法であるPlanning to Practiceを提案する。
論文 参考訳（メタデータ） (2022-05-17T06:58:17Z) - Ranked Prioritization of Groups in Combinatorial Bandit Allocation [62.24280332575472]
我々は,種々に対する報酬を交換する新たな盗賊的目標を提案する。
この目的をリプシッツ連続報酬関数の重み付き線型和として表すことができる。
論文 参考訳（メタデータ） (2022-05-11T17:40:29Z) - Where to go next: Learning a Subgoal Recommendation Policy for
Navigation Among Pedestrians [40.58684597726312]
モデル予測制御(MPC)のような局所軌道最適化手法は、これらの変化に対処できるが、大域的なガイダンスを必要とする。
本稿では,地域プランナーに長期指導を提供するインタラクション対応政策であるDeep Reinforcement Learning (RL) を通じて学習することを提案する。
論文 参考訳（メタデータ） (2021-02-25T18:41:58Z) - Scalable Bayesian Inverse Reinforcement Learning [93.27920030279586]
我々はAVRIL(Adroximate Variational Reward Imitation Learning)を紹介する。
本手法は,逆強化学習問題の誤った性質に対処する。
本手法を従来の制御シミュレーションと並行して実際の医療データに適用し,現在の手法の範囲を超えた環境におけるベイズ報酬推論を実証する。
論文 参考訳（メタデータ） (2021-02-12T12:32:02Z) - Path Planning for Shepherding a Swarm in a Cluttered Environment using
Differential Evolution [0.0]
本研究は, シェパーディングの手法を改良し, シミュレーションにより, シェファーディングの有効性を向上することを示す。
そして、障害から生じる複雑さを考慮に入れれば、経路計画アプローチはこのモデルをさらに強化できると論じる。
本研究では,2次元環境におけるエージェント群を羊飼いするための2段階の進化的経路計画アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-28T13:17:59Z) - Learning to Herd Agents Amongst Obstacles: Training Robust Shepherding
Behaviors using Deep Reinforcement Learning [1.8528929583956726]
ルールベースのメソッドは、環境が障害で散らばり、複数のシェパードが協調して動作するという、より複雑なシナリオを扱うことができる。
そこで本研究では,エージェントを障害物内に隠蔽する学習手法を提案する。
実験の結果,提案手法は環境モデルと行動モデルの両方から生じる不確実性に敏感であることがわかった。
論文 参考訳（メタデータ） (2020-05-19T14:23:16Z) - Implicit Multiagent Coordination at Unsignalized Intersections via
Multimodal Inference Enabled by Topological Braids [15.024091680310109]
信号のない交差点における合理的な非コミュニケーションエージェント間のナビゲーションに焦点をあてる。
我々はトポロジカルブレイドの形式主義を用いてコンパクトで解釈可能な方法で共同行動のモードを表現する。
我々は,新たなマルチエージェント動作のモードにおける不確実性を低減するための行動を生成する分散計画アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-04-10T19:01:29Z)
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。