論文の概要: Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning

• arxiv url: http://arxiv.org/abs/2508.20095v1
• Date: Wed, 27 Aug 2025 17:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.730747
• Title: Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning
• Title（参考訳）: スケーラブルで安全なマルチロボット運動計画のための離散誘導拡散
• Authors: Jinhao Liang, Sven Koenig, Ferdinando Fioretto,
• Abstract要約: マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。 離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。 本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
• 参考スコア（独自算出の注目度）: 56.240199425429445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-Robot Motion Planning (MRMP) involves generating collision-free trajectories for multiple robots operating in a shared continuous workspace. While discrete multi-agent path finding (MAPF) methods are broadly adopted due to their scalability, their coarse discretization severely limits trajectory quality. In contrast, continuous optimization-based planners offer higher-quality paths but suffer from the curse of dimensionality, resulting in poor scalability with respect to the number of robots. This paper tackles the limitations of these two approaches by introducing a novel framework that integrates discrete MAPF solvers with constrained generative diffusion models. The resulting framework, called Discrete-Guided Diffusion (DGD), has three key characteristics: (1) it decomposes the original nonconvex MRMP problem into tractable subproblems with convex configuration spaces, (2) it combines discrete MAPF solutions with constrained optimization techniques to guide diffusion models capture complex spatiotemporal dependencies among robots, and (3) it incorporates a lightweight constraint repair mechanism to ensure trajectory feasibility. The proposed method sets a new state-of-the-art performance in large-scale, complex environments, scaling to 100 robots while achieving planning efficiency and high success rates.
• Abstract（参考訳）: マルチロボット運動計画(MRMP)は、共有された連続作業空間で動作する複数のロボットのための衝突のない軌道を生成する。 離散マルチエージェントパス探索法(MAPF)はスケーラビリティのため広く採用されているが、粗い離散化は軌道品質を著しく制限している。 対照的に、継続的な最適化ベースのプランナーは高品質なパスを提供するが、次元の呪いに悩まされ、ロボットの数に関してスケーラビリティが低下する。 本稿では、離散MAPFソルバと制約付き生成拡散モデルを統合する新しいフレームワークを導入することにより、これらの2つのアプローチの限界に対処する。 DGD(Disdisrete-Guided Diffusion)と呼ばれるこのフレームワークは,(1)非凸MRMP問題をトラクタブルなサブプロブレムに分解し,(2)離散MAPFソリューションと制約付き最適化手法を組み合わせることで,ロボット間の複雑な時空間依存性を解析し,(3)トラジェクタの実現性を確保するための軽量な制約修復機構を備えている。 提案手法は,大規模で複雑な環境において,計画効率と高い成功率を達成しつつ,100台のロボットにスケールアップし,新たな最先端性能を実現する。

関連論文リスト

• Taming Flow Matching with Unbalanced Optimal Transport into Fast Pansharpening [10.23957420290553]
  本稿では,一段階の高品位パンシャーピングを実現するための最適輸送フローマッチングフレームワークを提案する。 OTFMフレームワークは、パンシャーピング制約の厳格な遵守を維持しつつ、シミュレーション不要なトレーニングとシングルステップ推論を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T08:10:49Z)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• Accelerating Search-Based Planning for Multi-Robot Manipulation by Leveraging Online-Generated Experiences [20.879194337982803]
  MAPF(Multi-Agent Path-Finding)アルゴリズムは、離散的な2Dドメインで保証され、厳密な保証を提供する。 本稿では,その反復的かつ漸進的な性質を活用して,競合に基づく探索アルゴリズムを高速化する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T20:31:07Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)

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。