論文の概要: PRIMER: Perception-Aware Robust Learning-based Multiagent Trajectory Planner

• arxiv url: http://arxiv.org/abs/2406.10060v2
• Date: Tue, 22 Oct 2024 13:35:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:24:15.514933
• Title: PRIMER: Perception-Aware Robust Learning-based Multiagent Trajectory Planner
• Title（参考訳）: PRIMER: 知覚型ロバスト学習に基づくマルチエージェント軌道プランナ
• Authors: Kota Kondo, Claudius T. Tewari, Andrea Tagliabue, Jesus Tordesillas, Parker C. Lusk, Jonathan P. How,
• Abstract要約: まず、PARMとPARM*、認識対応、分散化、非同期マルチエージェント・トラジェクトリ・プランナについて述べる。 次に、PARM*を専門家実証者として用い、模倣学習(IL)を訓練した学習ベースプランナーであるPRIMERを紹介する。
• 参考スコア（独自算出の注目度）: 29.341840232319292
• License:
• Abstract: In decentralized multiagent trajectory planners, agents need to communicate and exchange their positions to generate collision-free trajectories. However, due to localization errors/uncertainties, trajectory deconfliction can fail even if trajectories are perfectly shared between agents. To address this issue, we first present PARM and PARM*, perception-aware, decentralized, asynchronous multiagent trajectory planners that enable a team of agents to navigate uncertain environments while deconflicting trajectories and avoiding obstacles using perception information. PARM* differs from PARM as it is less conservative, using more computation to find closer-to-optimal solutions. While these methods achieve state-of-the-art performance, they suffer from high computational costs as they need to solve large optimization problems onboard, making it difficult for agents to replan at high rates. To overcome this challenge, we present our second key contribution, PRIMER, a learning-based planner trained with imitation learning (IL) using PARM* as the expert demonstrator. PRIMER leverages the low computational requirements at deployment of neural networks and achieves a computation speed up to 5500 times faster than optimization-based approaches.
• Abstract（参考訳）: 分散マルチエージェント・トラジェクトリ・プランナーでは、エージェントは通信し、衝突のないトラジェクトリを生成するために位置を交換する必要がある。 しかし、ローカライズエラー/不確実性のため、トラジェクトリーがエージェント間で完全に共有されている場合でも、トラジェクトリ・デコンフリクションは失敗する可能性がある。 この問題に対処するために、まず、PARMとPARM*、認識を意識し、分散化し、非同期なマルチエージェント・トラジェクトリ・プランナーを提示し、エージェントのチームが不確実な環境をナビゲートし、トラジェクトリを分解し、知覚情報を用いて障害物を避ける。 PARM* と PARM* は、より保守的でないため、より近い最適解を見つけるために多くの計算を使用する。 これらの手法は最先端の性能を達成するが、大きな最適化問題を解く必要があるため、高い計算コストに悩まされるため、エージェントが高速で計画を立て直すことは困難である。 この課題を克服するために、我々は、PARM*を専門家実証者として用いた模倣学習(IL)を訓練した学習ベースのプランナーであるPRIMERを紹介した。 PRIMERは、ニューラルネットワークのデプロイにおける低計算要件を活用し、最適化ベースのアプローチよりも最大5500倍高速な計算速度を達成する。

関連論文リスト

• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• MASP: Scalable GNN-based Planning for Multi-Agent Navigation [17.788592987873905]
  エージェント数の多いナビゲーションタスクのための目標条件付き階層型プランナを提案する。 また、グラフニューラルネットワーク(GNN)を活用し、エージェントと目標間の相互作用をモデル化し、目標達成を改善する。 その結果、MASPは古典的な計画ベースの競合やRLベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-05T06:05:04Z)
• Learn to Follow: Decentralized Lifelong Multi-agent Pathfinding via Planning and Learning [46.354187895184154]
  マルチエージェントパスフィンディング(MAPF)問題は通常、グラフに制限されたエージェントの集合に対する競合のないパスの集合を見つけるよう要求する。 本研究では,エージェントの位置や目標に関する情報をすべて収集する中央制御器が存在しない場合の分散MAPF設定について検討する。 我々は,先行するエージェントに新たな目標を連続的に割り当てることを含むMAPFの実用上重要な寿命変化に焦点をあてる。
  論文  参考訳（メタデータ） (2023-10-02T13:51:32Z)
• Serverless Federated AUPRC Optimization for Multi-Party Collaborative Imbalanced Data Mining [119.89373423433804]
  有効指標としてAUPRC(Area Under Precision-Recall)を導入した。 サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。 本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-06T06:51:32Z)
• Communication-Efficient Zeroth-Order Distributed Online Optimization: Algorithm, Theory, and Applications [9.045332526072828]
  本稿では,目標追跡のためのフェデレーション学習環境におけるマルチエージェントゼロ階オンライン最適化問題に焦点を当てる。 提案手法は、2つの関連するアプリケーションにおけるエラーとエラーの観点からさらに解析される。
  論文  参考訳（メタデータ） (2023-06-09T03:51:45Z)
• 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)
• Communication-Critical Planning via Multi-Agent Trajectory Exchange [21.923724399511798]
  本稿では,統合マルチエージェント認識と計画の課題に対処する。 これは、コネクテッド・自動運転車の衝突のないナビゲーションという現実の課題に関連している。
  論文  参考訳（メタデータ） (2023-03-10T16:59:24Z)
• Relative Distributed Formation and Obstacle Avoidance with Multi-agent Reinforcement Learning [20.401609420707867]
  マルチエージェント強化学習(MARL)に基づく分散生成・障害物回避手法を提案する。 提案手法は, 障害物回避における生成誤差, 生成収束率, オンパー成功率に関して, ベースラインと比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2021-11-14T13:02:45Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。