論文の概要: AT-Drone: Benchmarking Adaptive Teaming in Multi-Drone Pursuit

• arxiv url: http://arxiv.org/abs/2502.09762v2
• Date: Fri, 02 May 2025 10:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 13:22:23.374362
• Title: AT-Drone: Benchmarking Adaptive Teaming in Multi-Drone Pursuit
• Title（参考訳）: AT-Drone: マルチDrone買収における適応型チームのベンチマーク
• Authors: Yang Li, Junfan Chen, Feng Xue, Jiabin Qiu, Wenbin Li, Qingrui Zhang, Ying Wen, Wei Pan,
• Abstract要約: AT-Droneは、マルチドローン追尾シナリオにおける適応的なチーム戦略の総合的なトレーニングと評価を容易にするために設計された最初のベンチマークである。 合理化された現実世界のデプロイメントパイプラインは、シミュレーションの洞察をエッジデバイスとCrazyflieドローンを使用した実用的なドローン評価に変換する。 段階的に挑戦する4つの多翼追尾シナリオは、適応型チームリング研究の進歩におけるAT-Droneの有効性を裏付けるものである。
• 参考スコア（独自算出の注目度）: 23.110351678527017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive teaming-the capability of agents to effectively collaborate with unfamiliar teammates without prior coordination-is widely explored in virtual video games but overlooked in real-world multi-robot contexts. Yet, such adaptive collaboration is crucial for real-world applications, including border surveillance, search-and-rescue, and counter-terrorism operations. To address this gap, we introduce AT-Drone, the first dedicated benchmark explicitly designed to facilitate comprehensive training and evaluation of adaptive teaming strategies in multi-drone pursuit scenarios. AT-Drone makes the following key contributions: (1) An adaptable simulation environment configurator that enables intuitive and rapid setup of adaptive teaming multi-drone pursuit tasks, including four predefined pursuit environments. (2) A streamlined real-world deployment pipeline that seamlessly translates simulation insights into practical drone evaluations using edge devices and Crazyflie drones. (3) A novel algorithm zoo integrated with a distributed training framework, featuring diverse algorithms explicitly tailored, for the first time, to multi-pursuer and multi-evader settings. (4) Standardized evaluation protocols with newly designed unseen drone zoos, explicitly designed to rigorously assess the performance of adaptive teaming. Comprehensive experimental evaluations across four progressively challenging multi-drone pursuit scenarios confirm AT-Drone's effectiveness in advancing adaptive teaming research. Real-world drone experiments further validate its practical feasibility and utility for realistic robotic operations. Videos, code and weights are available at \url{https://sites.google.com/view/at-drone}.
• Abstract（参考訳）: アダプティブ・チームリング(Adaptive Teaming) - 事前調整なしに、馴染みのないチームメイトと効果的に協力するエージェントの能力は、仮想ビデオゲームで広く研究されているが、現実のマルチロボットのコンテキストでは見過ごされている。 しかし、このような適応的なコラボレーションは、国境監視、捜索救助、対テロ作戦など、現実世界のアプリケーションにとって不可欠である。 このギャップに対処するため、我々はAT-Droneについて紹介する。AT-Droneは、マルチドローン追従シナリオにおける適応型チーム戦略の総合的なトレーニングと評価を容易にするために設計された最初の専用ベンチマークである。 AT-Drone は,(1) 適応型マルチドローン追尾作業の直感的かつ迅速なセットアップを可能にする適応型シミュレーション環境構成器である。 2)エッジデバイスとCrazyflieドローンを用いた実用的なドローン評価にシミュレーションインサイトをシームレスに変換する実世界の展開パイプライン。 (3) 分散トレーニングフレームワークと統合された新しいアルゴリズム動物園。 (4)新たに設計された無人動物園による標準化された評価プロトコルは,適応型チームリングの性能を厳格に評価するように設計されている。 段階的に挑戦する4つの多翼追尾シナリオに対する総合的な実験的評価は、適応型チームリング研究の進歩におけるAT-Droneの有効性を裏付けるものである。 現実のドローン実験は、現実的なロボット操作の実現可能性と有用性をさらに検証する。 ビデオ、コード、ウェイトは \url{https://sites.google.com/view/at-drone} で見ることができる。

関連論文リスト

• Graph Based Deep Reinforcement Learning Aided by Transformers for Multi-Agent Cooperation [2.8169258551959544]
  本稿では、グラフニューラルネットワーク(GNN)、深層強化学習(DRL)、マルチエージェント協調と集合タスク実行の強化のためのトランスフォーマーベースのメカニズムを統合する新しいフレームワークを提案する。 提案手法はGNNを用いて,適応グラフ構築によるエージェントエージェントとエージェントゴールの相互作用をモデル化し,制約付き通信下での効率的な情報集約と意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-04-11T01:46:18Z)
• Deep Reinforcement Learning based Autonomous Decision-Making for Cooperative UAVs: A Search and Rescue Real World Application [3.206131271136423]
  本稿では, 自律誘導, ナビゲーション, タスク分散のための総合的な枠組みを提案する。 我々は,2つの遅延型Deep Deterministic Policy Gradientアルゴリズムを利用して,DRLに基づく指導機構を提唱する。 DRL学習グラフ畳み込みネットワーク(GCN)による協調型UAV間のタスク分散問題に取り組む。
  論文  参考訳（メタデータ） (2025-02-27T17:53:16Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots [1.1049608786515839]
  エージェント間の分散意思決定を協調するための協調型非同期トランスフォーマーベースミッションプランニング(CATMiP)フレームワークを提案する。 我々は,CATMiPを2次元グリッドワールドシミュレーション環境で評価し,その性能を計画に基づく探索法と比較した。
  論文  参考訳（メタデータ） (2024-10-08T21:14:09Z)
• SPACE: A Python-based Simulator for Evaluating Decentralized Multi-Robot Task Allocation Algorithms [1.52292571922932]
  本研究では,分散マルチロボットタスクアロケーション(MRTA)アルゴリズムの研究,評価,比較を支援するPythonベースのシミュレータであるSPACE(Swarm Planning and Control Evaluation)を提案する。 SPACEは、Pythonプラグインとして意思決定アルゴリズムを実装し、直感的なGUIでエージェントの動作木を簡単に構築し、エージェント間通信とローカルタスク認識のための組み込みサポートを活用することで、コアアルゴリズム開発を効率化する。
  論文  参考訳（メタデータ） (2024-09-06T12:38:24Z)
• Communication- and Computation-Efficient Distributed Submodular Optimization in Robot Mesh Networks [2.8936428431504164]
  ロボットメッシュネットワークにおける分散サブモジュール最適化のための通信効率と計算効率の両立手法を提案する。 我々の手法であるResource-Aware Distributed Greedy (RAG)は、新しい分散最適化パラダイムを導入する。 RAGの決定時間はネットワークサイズと線形にスケールするが、最先端の準モジュラ最適化アルゴリズムは3倍にスケールする。
  論文  参考訳（メタデータ） (2024-07-15T01:25:39Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• Unified Human-Scene Interaction via Prompted Chain-of-Contacts [61.87652569413429]
  HSI(Human-Scene Interaction)は、AIや仮想現実といった分野において重要なコンポーネントである。 本稿では,言語コマンドによる多様なインタラクションの統一制御を支援する統一型HSIフレームワークUniHSIを提案する。
  論文  参考訳（メタデータ） (2023-09-14T17:59:49Z)
• AdverSAR: Adversarial Search and Rescue via Multi-Agent Reinforcement Learning [4.843554492319537]
  本稿では,敵対的エージェント間コミュニケーションの存在下で,ロボットの戦略を効率的に調整するアルゴリズムを提案する。 ロボットは対象の場所について事前の知識を持っておらず、隣接するロボットのサブセットのみといつでも対話できると仮定される。 提案手法の有効性は, グリッドワールド環境のプロトタイプで実証した。
  論文  参考訳（メタデータ） (2022-12-20T08:13:29Z)
• Collaborative Target Search with a Visual Drone Swarm: An Adaptive Curriculum Embedded Multistage Reinforcement Learning Approach [0.0]
  適応型カリキュラム組込み多段階学習(ACEMSL)という,データ効率の高い深層強化学習(DRL)手法を提案する。 我々は、協調対象探索タスクを、個別の障害物回避、対象探索、エージェント間協調を含むいくつかのサブタスクに分解し、多段階学習でエージェントを段階的に訓練する。 我々は、訓練されたモデルを実際の視覚ドローン群に展開し、微調整なしでCTS操作を行う。
  論文  参考訳（メタデータ） (2022-04-26T09:32:22Z)
• MALib: A Parallel Framework for Population-based Multi-agent Reinforcement Learning [61.28547338576706]
  人口ベースマルチエージェント強化学習(PB-MARL)は、強化学習(RL)アルゴリズムでネストした一連の手法を指す。 PB-MARLのためのスケーラブルで効率的な計算フレームワークMALibを提案する。
  論文  参考訳（メタデータ） (2021-06-05T03:27:08Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)
• 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。