論文の概要: From Simulations to Reality: Enhancing Multi-Robot Exploration for Urban Search and Rescue

• arxiv url: http://arxiv.org/abs/2311.16958v1
• Date: Tue, 28 Nov 2023 17:05:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 17:26:05.558037
• Title: From Simulations to Reality: Enhancing Multi-Robot Exploration for Urban Search and Rescue
• Title（参考訳）: シミュレーションから現実へ:都市探索と救助のためのマルチロボット探索の強化
• Authors: Gautam Siddharth Kashyap, Deepkashi Mahajan, Orchid Chetia Phukan, Ankit Kumar, Alexander E.I. Brownlee, Jiechao Gao
• Abstract要約: 本研究では,コミュニケーションが限られ,位置情報がない未知の環境での効率的なマルチロボット探索のための新しいハイブリッドアルゴリズムを提案する。 連続した目標情報なしでシナリオに合うように、ローカルなベストとグローバルなベストポジションを再定義する。 提示された研究は、限られた情報と通信能力を持つシナリオにおけるマルチロボット探索の強化を約束している。
• 参考スコア（独自算出の注目度）: 46.377510400989536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we present a novel hybrid algorithm, combining Levy Flight (LF) and Particle Swarm Optimization (PSO) (LF-PSO), tailored for efficient multi-robot exploration in unknown environments with limited communication and no global positioning information. The research addresses the growing interest in employing multiple autonomous robots for exploration tasks, particularly in scenarios such as Urban Search and Rescue (USAR) operations. Multiple robots offer advantages like increased task coverage, robustness, flexibility, and scalability. However, existing approaches often make assumptions such as search area, robot positioning, communication restrictions, and target information that may not hold in real-world situations. The hybrid algorithm leverages LF, known for its effectiveness in large space exploration with sparse targets, and incorporates inter-robot repulsion as a social component through PSO. This combination enhances area exploration efficiency. We redefine the local best and global best positions to suit scenarios without continuous target information. Experimental simulations in a controlled environment demonstrate the algorithm's effectiveness, showcasing improved area coverage compared to traditional methods. In the process of refining our approach and testing it in complex, obstacle-rich environments, the presented work holds promise for enhancing multi-robot exploration in scenarios with limited information and communication capabilities.
• Abstract（参考訳）: 本研究では,レヴィ飛行 (lf) と粒子群最適化 (pso) (lf-pso) を組み合わせた新しいハイブリッドアルゴリズムを提案する。 この研究は、特にUAR(Urban Search and Rescue)オペレーションのようなシナリオにおいて、探索タスクに複数の自律ロボットを採用することへの関心が高まっている。 複数のロボットは、タスクカバレッジ、堅牢性、柔軟性、スケーラビリティなどの利点を提供する。 しかし,既存のアプローチでは,探索領域やロボットの位置決め,通信制限,現実の状況に当てはまらないターゲット情報といった仮定がしばしば行われている。 このハイブリッドアルゴリズムは、sparseターゲットによる大規模な宇宙探査の有効性で知られているlfを活用し、psoを通じてロボット間の反発を社会的要素として取り入れている。 この組み合わせにより地域探索効率が向上する。 連続した目標情報なしでシナリオに合うように、ローカルなベストとグローバルなベストポジションを再定義する。 制御された環境における実験シミュレーションはアルゴリズムの有効性を実証し、従来の手法と比較して改善された面積範囲を示す。 複雑で障害物の多い環境でのアプローチの洗練とテストの過程では、限られた情報と通信能力を持つシナリオにおけるマルチロボット探索の強化が約束されている。

関連論文リスト

• Comparing Active Learning Performance Driven by Gaussian Processes or Bayesian Neural Networks for Constrained Trajectory Exploration [0.0]
  現在、人間は科学的な目的を達成するためにロボットを駆動しているが、ロボットの位置によっては、情報交換と駆動コマンドがミッション遂行に不適切な遅延を引き起こす可能性がある。 科学的目的と探索戦略で符号化された自律ロボットは、通信遅延を発生させず、ミッションをより迅速に達成することができる。 能動学習アルゴリズムは知的探索の能力を提供するが、その基盤となるモデル構造は、環境の理解を正確に形成する際に、能動学習アルゴリズムの性能を変化させる。
  論文  参考訳（メタデータ） (2023-09-28T02:45:14Z)
• 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)
• Reinforcement Learning with Frontier-Based Exploration via Autonomous Environment [0.0]
  この研究は、ExploreORBとして知られる既存のVisual-Graph SLAMと強化学習を組み合わせたものである。 提案アルゴリズムは、フロンティアの探索プロセスを最適化し、より正確な地図を作成することにより、ExploreORBの効率と精度を向上させることを目的としている。
  論文  参考訳（メタデータ） (2023-07-14T12:19:46Z)
• Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning [60.599223456298915]
  本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。 本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。 最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
  論文  参考訳（メタデータ） (2022-08-17T14:19:33Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)
• 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)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Collaborative Multi-Robot Systems for Search and Rescue: Coordination and Perception [16.850204497272205]
  マルチロボットシステムは、捜索救助員の効率を大幅に改善する可能性がある。 本稿では,マルチロボットSARサポートに対する既存のアプローチをレビューし,分析する。 これらのアルゴリズムは、様々な種類のロボットが異なるSAR環境で遭遇する様々な課題と制約の文脈に置かれる。
  論文  参考訳（メタデータ） (2020-08-28T12:28:32Z)
• Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs [5.043563227694137]
  本研究では,移動ロボットが事前の未知環境におけるランドマークの正確なマッピングをリアルタイムで効率的に行うという自律的な探索問題を考察する。 本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-24T16:50:41Z)

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。