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
- 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) - 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) - DADAO: Decoupled Accelerated Decentralized Asynchronous Optimization [0.0]
DADAOは、L$-smooth と $mu$-strongly convex 関数の和を最小化する最初の分散化、高速化、非同期化、プライマリ化、一階述語アルゴリズムである。
我々のアルゴリズムは、$mathcalO(nsqrtchisqrtfracLmulog(frac1epsilon)$ localと$mathcalO(nsqrtchisqrtfracLmulog()のみを必要とすることを示す。
論文 参考訳(メタデータ) (2022-07-26T08:47:54Z) - Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。
最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。
提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
論文 参考訳(メタデータ) (2022-06-14T08:14:14Z) - T*$\varepsilon$ -- Bounded-Suboptimal Efficient Motion Planning for
Minimum-Time Planar Curvature-Constrained Systems [7.277760003553328]
本研究では,障害物の存在下での曲率制約系の衝突のない経路を見つけることの問題点を考察する。
有界-準最適解を求めることにより、使用した時間-最適遷移の数を劇的に削減できることを示す。
論文 参考訳(メタデータ) (2022-04-04T17:38:36Z) - Adaptive Multi-Goal Exploration [118.40427257364729]
我々は、AdaGoalが$epsilon$-optimal goal-conditioned policyを学習する目的を達成するためにどのように使えるかを示す。
AdaGoalは、ゴール条件の深い強化学習のための既存の手法の高レベルなアルゴリズム構造に固定されている。
論文 参考訳(メタデータ) (2021-11-23T17:59:50Z) - Distributed Swarm Collision Avoidance Based on Angular Calculations [0.0]
本稿では,高密度で複雑な2Dおよび3D環境のための分散リアルタイムアルゴリズムを提案する。
角計算を用いて、各ロボットの動きの最適な方向を選択する。
提案手法は,ハエ群集の完全自律航法を可能にする。
論文 参考訳(メタデータ) (2021-08-29T23:12:38Z) - 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。