論文の概要: Explainable AI-Enhanced Supervisory Control for Robust Multi-Agent Robotic Systems

• arxiv url: http://arxiv.org/abs/2509.15491v1
• Date: Thu, 18 Sep 2025 23:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.940827
• Title: Explainable AI-Enhanced Supervisory Control for Robust Multi-Agent Robotic Systems
• Title（参考訳）: ロバストなマルチエージェントロボットシステムのための説明可能なAI強化スーパーバイザ制御
• Authors: Reza Pirayeshshirazinezhad, Nima Fathi,
• Abstract要約: マルチエージェントロボットのためのAI強化型監視制御フレームワークを提案する。 我々は、このアプローチを、宇宙船形成飛行と自律水中車両の2つの対照的な領域で検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an explainable AI-enhanced supervisory control framework for multi-agent robotics that combines (i) a timed-automata supervisor for safe, auditable mode switching, (ii) robust continuous control (Lyapunov-based controller for large-angle maneuver; sliding-mode controller (SMC) with boundary layers for precision and disturbance rejection), and (iii) an explainable predictor that maps mission context to gains and expected performance (energy, error). Monte Carlo-driven optimization provides the training data, enabling transparent real-time trade-offs. We validated the approach in two contrasting domains, spacecraft formation flying and autonomous underwater vehicles (AUVs). Despite different environments (gravity/actuator bias vs. hydrodynamic drag/currents), both share uncertain six degrees of freedom (6-DOF) rigid-body dynamics, relative motion, and tight tracking needs, making them representative of general robotic systems. In the space mission, the supervisory logic selects parameters that meet mission criteria. In AUV leader-follower tests, the same SMC structure maintains a fixed offset under stochastic currents with bounded steady error. In spacecraft validation, the SMC controller achieved submillimeter alignment with 21.7% lower tracking error and 81.4% lower energy consumption compared to Proportional-Derivative PD controller baselines. At the same time, in AUV tests, SMC maintained bounded errors under stochastic currents. These results highlight both the portability and the interpretability of the approach for safety-critical, resource-constrained multi-agent robotics.
• Abstract（参考訳）: 我々は多エージェントロボットのための説明可能なAIによる監督制御フレームワークを提案する。 一 安全監査可能なモード切替えのためのタイムドオートマタ管理者 (二)頑健な連続制御(大角操作のためのリアプノフ型制御器、高精度・外乱拒否のための境界層を有するスライディングモード制御器(SMC))、 三 ミッションコンテキストを期待性能(エネルギー、エラー)にマッピングする説明可能な予測器。 モンテカルロ駆動の最適化はトレーニングデータを提供し、透過的なリアルタイムトレードオフを可能にする。 このアプローチを、宇宙船形成飛行と自律型水中車両(AUV)の2つの対照的な領域で検証した。 異なる環境(重力/アクチュエータのバイアスと流体力学的な抵抗/電流)にもかかわらず、どちらも6自由度(6-DOF)の剛体力学、相対運動、厳密な追跡要求を共有しており、一般的なロボットシステムの代表となっている。 宇宙ミッションでは、監督ロジックはミッション基準を満たすパラメータを選択する。 AUVのリーダ・フォロワー試験では、同じSMC構造は、定値な定常誤差を持つ確率電流の下で一定のオフセットを維持する。 宇宙船の検証において、SMCコントローラは21.7%の追尾誤差と81.4%の低消費電力でサブミリアライメントを達成した。 同時に、AUV試験では、SMCは確率電流下で境界誤差を維持した。 これらの結果は,安全クリティカルで資源に制約のあるマルチエージェントロボティクスへのアプローチの可搬性と解釈性の両方を強調した。

関連論文リスト

• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためにTRL 9に配備された最初のエージェントシステムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• Decentralized Aerial Manipulation of a Cable-Suspended Load using Multi-Agent Reinforcement Learning [16.195474619148793]
  本稿では, マイクロ空力車(MAV)チームを用いて, ケーブルサスペンション負荷の実世界の6-DoF操作を可能にする最初の分散化手法を提案する。 提案手法はマルチエージェント強化学習(MARL)を利用して,MAV毎に外部ループ制御ポリシーを訓練する。 本研究では,負荷モデルの不確実性を考慮した実世界の実環境実験において,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-08-02T23:52:33Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• Regulation Compliant AI for Fusion: Real-Time Image Analysis-Based Control of Divertor Detachment in Tokamaks [0.981937495272719]
  本研究は, 分散器分離制御を成功させるために, リアルタイムAIにより実現された線形・解釈可能な制御系を実装し, 検証する。 本研究は, 離着陸と再離着陸の両目的に対して, 目標から平均2%の絶対差を持つフィードバック分岐器の離着陸制御を実証する。
  論文  参考訳（メタデータ） (2025-06-21T22:21:26Z)
• Motion Control in Multi-Rotor Aerial Robots Using Deep Reinforcement Learning [0.0]
  本稿では, 付加製造用ドローンの動作制御問題への深層強化学習の適用について検討する。 本稿では,AMタスクにおけるウェイポイントナビゲーションを行うマルチロータドローンの適応制御ポリシーを学習するDRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-09T19:00:16Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Towards Safe Control of Continuum Manipulator Using Shielded Multiagent Reinforcement Learning [1.2647816797166165]
  ロボットの制御は、MADQNフレームワークにおける1つのエージェント問題である1-DoFとして定式化され、学習効率が向上する。 シールドされたMADQNにより、ロボットは外部負荷下で、サブミリ単位のルート平均二乗誤差で点と軌道追跡を行うことができた。
  論文  参考訳（メタデータ） (2021-06-15T05:55:05Z)

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。