論文の概要: Swarm-Gen: Fast Generation of Diverse Feasible Swarm Behaviors

• arxiv url: http://arxiv.org/abs/2501.19042v1
• Date: Fri, 31 Jan 2025 11:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:00:59.333721
• Title: Swarm-Gen: Fast Generation of Diverse Feasible Swarm Behaviors
• Title（参考訳）: Swarm-Gen: 多様な可能なSwarm動作の高速生成
• Authors: Simon Idoko, B. Bhanu Teja, K. Madhava Krishna, Arun Kumar Singh,
• Abstract要約: ロボット群における協調行動は本質的にはマルチモーダルである。 本稿では,生成モデルと安全フィルタ(SF)を組み合わせることで,多種多様かつ実現可能なSwarm動作を生成する。 我々は、数ミリ秒以内で、多様なスワムの挙動をシミュレートし、多モードで実現可能な軌道を多数生成できることを示す。
• 参考スコア（独自算出の注目度）: 9.77508443944225
• License:
• Abstract: Coordination behavior in robot swarms is inherently multi-modal in nature. That is, there are numerous ways in which a swarm of robots can avoid inter-agent collisions and reach their respective goals. However, the problem of generating diverse and feasible swarm behaviors in a scalable manner remains largely unaddressed. In this paper, we fill this gap by combining generative models with a safety-filter (SF). Specifically, we sample diverse trajectories from a learned generative model which is subsequently projected onto the feasible set using the SF. We experiment with two choices for generative models, namely: Conditional Variational Autoencoder (CVAE) and Vector-Quantized Variational Autoencoder (VQ-VAE). We highlight the trade-offs these two models provide in terms of computation time and trajectory diversity. We develop a custom solver for our SF and equip it with a neural network that predicts context-specific initialization. Thecinitialization network is trained in a self-supervised manner, taking advantage of the differentiability of the SF solver. We provide two sets of empirical results. First, we demonstrate that we can generate a large set of multi-modal, feasible trajectories, simulating diverse swarm behaviors, within a few tens of milliseconds. Second, we show that our initialization network provides faster convergence of our SF solver vis-a-vis other alternative heuristics.
• Abstract（参考訳）: ロボット群における協調行動は本質的にはマルチモーダルである。 つまり、ロボット群がエージェント間の衝突を回避し、それぞれの目標を達成するには、さまざまな方法がある。 しかし、多様かつ実現可能なSwarm動作をスケーラブルに生成する問題は、ほとんど未解決のままである。 本稿では,生成モデルと安全フィルタ(SF)を組み合わせることで,このギャップを埋める。 具体的には、学習した生成モデルから様々な軌跡を抽出し、その後、SFを用いて実現可能なセットに投影する。 本研究では,条件付き変分オートエンコーダ(CVAE)とベクトル量子変分オートエンコーダ(VQ-VAE)の2つの生成モデルについて実験を行った。 計算時間と軌道の多様性の観点から、これらの2つのモデルが提供するトレードオフを強調します。 我々は、SFのためのカスタムソルバを開発し、文脈固有の初期化を予測するニューラルネットワークに装備する。 Thecinitialization NetworkはSFソルバの微分可能性を利用して自己教師型で訓練される。 実験結果のセットを2つ提供します。 まず、数ミリ秒で多様な群れの挙動をシミュレートし、多モードで実現可能な軌道を多数生成できることを実証する。 第2に、初期化ネットワークは、SFソルバvis-a-visの他の代替ヒューリスティックのより高速な収束を提供することを示す。

関連論文リスト

• FFHFlow: A Flow-based Variational Approach for Learning Diverse Dexterous Grasps with Shape-Aware Introspection [19.308304984645684]
  マルチフィンガーハンドの多様なグリップを生成できる新しいモデルを提案する。 提案手法は, 高いベースラインに対する性能向上と実行時の効率向上を実現する。 また,現実世界の雑多な作業空間や密集した作業空間において,より多様性の高いオブジェクトを把握できることのメリットも示している。
  論文  参考訳（メタデータ） (2024-07-21T13:33:08Z)
• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• String-based Molecule Generation via Multi-decoder VAE [56.465033997245776]
  可変オートエンコーダ(VAE)による文字列型分子生成の問題点について検討する。 本稿では,そのタスクに対するVAEの性能を改善するための,シンプルで効果的なアイデアを提案する。 実験では,提案するVAEモデルを用いて,領域外分布からサンプルを生成する。
  論文  参考訳（メタデータ） (2022-08-23T03:56:30Z)
• Diffusion bridges vector quantized Variational AutoEncoders [0.0]
  我々のモデルは,ミニイメージネットデータセットに先行する自己回帰と競合することを示す。 我々のフレームワークは、標準のVQ-VAEを拡張し、エンドツーエンドのトレーニングを可能にします。
  論文  参考訳（メタデータ） (2022-02-10T08:38:12Z)
• Future Frame Prediction of a Video Sequence [5.660207256468971]
  将来の出来事を予測し、予測し、推論する能力は知性の本質である。 将来の出来事を予測し、予測し、推論する能力は知性の本質である。
  論文  参考訳（メタデータ） (2020-08-31T15:31:02Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
  機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。 最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。 第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
  論文  参考訳（メタデータ） (2020-01-15T18:32:06Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。