論文の概要: Decentralized Social Navigation with Non-Cooperative Robots via Bi-Level Optimization

• arxiv url: http://arxiv.org/abs/2306.08815v1
• Date: Thu, 15 Jun 2023 02:18:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 16:53:12.297951
• Title: Decentralized Social Navigation with Non-Cooperative Robots via Bi-Level Optimization
• Title（参考訳）: 双方向最適化による非協調型ロボットによる分散社会ナビゲーション
• Authors: Rohan Chandra, Rahul Menon, Zayne Sprague, Arya Anantula, Joydeep Biswas
• Abstract要約: 本稿では,ソーシャルミニゲームにおけるリアルタイム非協調型マルチロボットナビゲーションのための,完全に分散化されたアプローチを提案する。 我々のコントリビューションは新しいリアルタイムバイレベル最適化アルゴリズムであり、トップレベルの最適化は公正で衝突のない順序付けを演算する。 F$1/10のロボット、Clearpath Jackal、Boston Dynamics Spotを使って提案したアルゴリズムを現実世界に展開することに成功しました。
• 参考スコア（独自算出の注目度）: 11.638394339813154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a fully decentralized approach for realtime non-cooperative multi-robot navigation in social mini-games, such as navigating through a narrow doorway or negotiating right of way at a corridor intersection. Our contribution is a new realtime bi-level optimization algorithm, in which the top-level optimization consists of computing a fair and collision-free ordering followed by the bottom-level optimization which plans optimal trajectories conditioned on the ordering. We show that, given such a priority order, we can impose simple kinodynamic constraints on each robot that are sufficient for it to plan collision-free trajectories with minimal deviation from their preferred velocities, similar to how humans navigate in these scenarios. We successfully deploy the proposed algorithm in the real world using F$1/10$ robots, a Clearpath Jackal, and a Boston Dynamics Spot as well as in simulation using the SocialGym 2.0 multi-agent social navigation simulator, in the doorway and corridor intersection scenarios. We compare with state-of-the-art social navigation methods using multi-agent reinforcement learning, collision avoidance algorithms, and crowd simulation models. We show that $(i)$ classical navigation performs $44\%$ better than the state-of-the-art learning-based social navigation algorithms, $(ii)$ without a scheduling protocol, our approach results in collisions in social mini-games $(iii)$ our approach yields $2\times$ and $5\times$ fewer velocity changes than CADRL in doorways and intersections, and finally $(iv)$ bi-level navigation in doorways at a flow rate of $2.8 - 3.3$ (ms)$^{-1}$ is comparable to flow rate in human navigation at a flow rate of $4$ (ms)$^{-1}$.
• Abstract（参考訳）: 本稿では,狭い戸口をナビゲートしたり,廊下交差点で交渉するなど,ソーシャルミニゲームにおけるリアルタイム非協調型マルチロボットナビゲーションのための完全に分散化されたアプローチを提案する。 提案手法は実時間biレベル最適化アルゴリズムであり,最上位レベルの最適化は公平で衝突のない順序を計算し,次は最適軌道を計画するボトムレベル最適化によって構成する。 このような優先順位を前提にすると、ロボットの好みの速度からの逸脱を最小限に抑えながら衝突のない軌道を計画できるだけの単純な運動力学的制約を各ロボットに課すことができる。 我々は,F$1/10のロボット,Clearpath Jackal,Boston Dynamics Spot,およびSocialGym 2.0マルチエージェントソーシャルナビゲーションシミュレータを用いたシミュレーションで,提案アルゴリズムを現実世界に展開することに成功した。 マルチエージェント強化学習,衝突回避アルゴリズム,および群集シミュレーションモデルを用いて,最先端のソーシャルナビゲーション手法と比較した。 私たちはその$を示します。 (i)$ classical navigationは、最先端の学習ベースのソーシャルナビゲーションアルゴリズムよりも4ドル$が良い。 (ii)$ スケジューリングプロトコルなしでは、ソーシャルミニゲームにおける衝突は$となる。 (iii)我々のアプローチは、ドアウェイや交差点のCADRLよりも2\times$と5\times$の速度変化を減らし、最終的に$を得る。 (iv)$ bi-level navigation in doorways at flow rate $2.8 - 3.3$ (ms)$^{-1}$は4$ (ms)$^{-1}$で人間の航行における流量に匹敵する。

関連論文リスト

• Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
  離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。 また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。 我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-07T15:57:56Z)
• Fast and scalable Wasserstein-1 neural optimal transport solver for single-cell perturbation prediction [55.89763969583124]
  最適輸送理論はそのような写像を構築するための原則化された枠組みを提供する。 本稿では,Wasserstein-1に基づく新しい最適輸送解法を提案する。 実験により,提案した解法は,2次元データセット上に一意かつ単調な写像を求める際に,$W$ OTソルバを模倣できることを示した。
  論文  参考訳（メタデータ） (2024-11-01T14:23:19Z)
• Progressive Entropic Optimal Transport Solvers [33.821924561619895]
  本稿では,計画図と輸送地図の両方を推定できる新しいEOT解法(ProgOT)を提案する。 我々は,ProgOTが標準解法よりも高速で堅牢な代替手段であることを示す実験的な証拠を提供する。 また、最適な輸送地図を推定するためのアプローチの統計的整合性も証明する。
  論文  参考訳（メタデータ） (2024-06-07T16:33:08Z)
• Mixed Strategy Nash Equilibrium for Crowd Navigation [0.41942958779358663]
  ゲーム理論は、ロボットが経路計画中に衝突回避のために人間と協力する可能性について推論するための枠組みを提供する。 混合戦略 ナッシュ均衡は不確実性の下での交渉行動を捉え、群衆のナビゲーションに適している。 提案アルゴリズムは,Byesian Recursive Nash Equilibrium (BRNE) と命名し,リアルタイムモデル予測クラウドナビゲーションフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-03-03T15:30:59Z)
• Best of Both Worlds Guarantees for Smoothed Online Quadratic Optimization [9.449153668916098]
  各ラウンド$t$において、プレイヤーが2次的打撃コストと2次攻撃コストに応じてアクション$x_tをプレイし、アクションを切り替えるための2乗$ell$-normコストを加算する、スムーズなオンライン最適化(SOQO)問題について検討する。 この問題クラスは、スマートグリッド管理、適応制御、データセンター管理など、幅広いアプリケーションドメインと強いつながりを持っています。 本稿では, 最適に近い性能を同時に達成しつつ, 強健な対角性能を得るベスト・オブ・ザ・ワールドス・アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-31T22:59:23Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Optimal Horizon-Free Reward-Free Exploration for Linear Mixture MDPs [60.40452803295326]
  線形マルコフ決定過程(MDP)を学習するための新たな報酬なしアルゴリズムを提案する。 我々のアルゴリズムの核心は、探索駆動の擬似回帰を用いた不確実性重み付き値目標回帰である。 我々のアルゴリズムは$tilde O(d2varepsilon-2)$ episodesを探索するだけで、$varepsilon$-optimal policyを見つけることができる。
  論文  参考訳（メタデータ） (2023-03-17T17:53:28Z)
• Two Losses Are Better Than One: Faster Optimization Using a Cheaper Proxy [6.170898159041277]
  本稿では,関連関数をプロキシとして利用することにより,目的物を計算困難勾配で最小化するアルゴリズムを提案する。 我々のアルゴリズムは、$delta$-smooth目的の勾配降下に一致する速度で収束を保証する。 我々のアルゴリズムは機械学習に多くの可能性があり、合成データ、物理シミュレータ、混合公開データ、プライベートデータなどを活用するための原則化された手段を提供する。
  論文  参考訳（メタデータ） (2023-02-07T15:50:49Z)
• Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
  本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。 最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。 提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
  論文  参考訳（メタデータ） (2022-06-14T08:14:14Z)
• Minimax Optimization with Smooth Algorithmic Adversaries [59.47122537182611]
  対戦相手が展開するスムーズなアルゴリズムに対して,Min-playerの新しいアルゴリズムを提案する。 本アルゴリズムは,制限周期のない単調進行を保証し,適切な勾配上昇数を求める。
  論文  参考訳（メタデータ） (2021-06-02T22:03:36Z)
• T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for Multi-Speed Autonomous Vehicles [0.860255319568951]
  T$star$-Liteは、以前開発されたTstar$アルゴリズムのかなり高速なバージョンである。 T$star$-LiteはRTT$star$ Motion Plannerを使って開発されている。
  論文  参考訳（メタデータ） (2020-08-29T20:25:43Z)

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。