論文の概要: LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control

• arxiv url: http://arxiv.org/abs/2401.04855v1
• Date: Wed, 10 Jan 2024 00:08:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 15:55:26.963852
• Title: LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control
• Title（参考訳）: LPAC:学習可能な知覚・行動・コミュニケーションループとカバレッジ制御への応用
• Authors: Saurav Agarwal, Ramya Muthukrishnan, Walker Gosrich, Alejandro Ribeiro, Vijay Kumar
• Abstract要約: 本稿では,カバレッジ制御問題に対するLPACアーキテクチャを提案する。 CNNは環境の局所的な認識を処理する。グラフニューラルネットワーク(GNN)は、隣接するロボット間の関連情報の通信を可能にする。 通信モジュール内のGNNは、どの情報を隣人と通信するか、受信した情報を使って適切な行動をとるかを計算することで、ロボット群内の協調を可能にする。
• 参考スコア（独自算出の注目度）: 80.86089324742024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coverage control is the problem of navigating a robot swarm to collaboratively monitor features or a phenomenon of interest not known a priori. The problem is challenging in decentralized settings with robots that have limited communication and sensing capabilities. This paper proposes a learnable Perception-Action-Communication (LPAC) architecture for the coverage control problem. In the proposed solution, a convolution neural network (CNN) processes localized perception of the environment; a graph neural network (GNN) enables communication of relevant information between neighboring robots; finally, a shallow multi-layer perceptron (MLP) computes robot actions. The GNN in the communication module enables collaboration in the robot swarm by computing what information to communicate with neighbors and how to use received information to take appropriate actions. We train models using imitation learning with a centralized clairvoyant algorithm that is aware of the entire environment. Evaluations show that the LPAC models outperform standard decentralized and centralized coverage control algorithms. The learned policy generalizes to environments different from the training dataset, transfers to larger environments with an increased number of robots, and is robust to noisy position estimates. The results indicate that LPAC architectures are well-suited for decentralized navigation in robot swarms to achieve collaborative behavior.
• Abstract（参考訳）: 被覆制御は、ロボット群をナビゲートし、特徴や前兆を知らない現象を協調的に監視する問題である。 この問題は、コミュニケーションや感知能力に制限のあるロボットによる分散設定では難しい。 本稿では,カバレッジ制御問題に対するLPACアーキテクチャを提案する。 提案手法では、畳み込みニューラルネットワーク(CNN)が環境の局所的知覚を処理し、グラフニューラルネットワーク(GNN)が隣接するロボット間の関連情報の通信を可能にし、最後は浅い多層パーセプトロン(MLP)がロボットの動作を計算する。 コミュニケーションモジュール内のgnnは、どの情報を隣人と通信するか、どのように受信した情報を使って適切なアクションを取るかを計算することで、ロボット群でのコラボレーションを可能にする。 我々は、環境全体を認識する集中型透視アルゴリズムを用いて模倣学習を用いてモデルを訓練する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。 学習ポリシーは、トレーニングデータセットとは異なる環境に一般化し、ロボットの数を増やしてより大きな環境に転送し、ノイズの多い位置推定に堅牢である。 その結果,lpacアーキテクチャは協調行動を実現するためにロボット群における分散ナビゲーションに適していることがわかった。

関連論文リスト

• Real-Time Multimodal Signal Processing for HRI in RoboCup: Understanding a Human Referee [1.7456666582626115]
  本研究では、キーポイント抽出と分類によるジェスチャー認識のための2段階パイプラインと、効率的なwhi検出のための連続畳み込みニューラルネットワーク(CCNN)を実装した。 提案されたアプローチは、RoboCupのような競合する環境でのリアルタイムな人間とロボットのインタラクションを強化し、人間と協力できる自律システムの開発を前進させるためのツールを提供する。
  論文  参考訳（メタデータ） (2024-11-26T11:39:43Z)
• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Asynchronous Perception-Action-Communication with Graph Neural Networks [93.58250297774728]
  グローバルな目的を達成するため,大規模なロボット群における協調作業は,大規模環境における課題である。 ロボットはパーセプション・アクション・コミュニケーションループを実行し、ローカル環境を認識し、他のロボットと通信し、リアルタイムで行動を起こす必要がある。 近年では、フロッキングやカバレッジ制御などのアプリケーションでグラフニューラルネットワーク(GNN)を使用してこの問題に対処している。 本稿では、分散化されたGNNを用いてナビゲーション動作を計算し、通信のためのメッセージを生成するロボット群における非同期PACフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T21:20:50Z)
• Communication-Efficient Reinforcement Learning in Swarm Robotic Networks for Maze Exploration [2.958532752589616]
  コミュニケーションは、Swarmロボットの協調の成功の鍵である。 本稿では,Swarmロボットをコーディネートする通信効率の高い分散協調強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T16:56:00Z)
• Simulation of robot swarms for learning communication-aware coordination [0.0]
  我々は、全能集中型コントローラから得られる局所的な観測を入力として、エンドツーエンドのニューラルネットワークを訓練する。 実験は、平面ロボットの高性能オープンソースシミュレータであるEnkiで実施されている。
  論文  参考訳（メタデータ） (2023-02-25T17:17:40Z)
• 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)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• VGAI: End-to-End Learning of Vision-Based Decentralized Controllers for Robot Swarms [237.25930757584047]
  ビジュアル入力のみに基づいて分散制御系を学習することを提案する。 初めて、コミュニケーションと視覚知覚という2つの重要な要素の学習を統合する。 提案する学習フレームワークは,各ロボットが視覚入力からメッセージを取り出すための畳み込みニューラルネットワーク(CNN)と,これらのメッセージの送信,受信,処理を行うためのSwarm全体のグラフニューラルネットワーク(GNN)を組み合わせる。
  論文  参考訳（メタデータ） (2020-02-06T15:25:23Z)

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。