論文の概要: Priority-Aware Multi-Robot Coverage Path Planning

• arxiv url: http://arxiv.org/abs/2601.00580v1
• Date: Fri, 02 Jan 2026 05:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.529446
• Title: Priority-Aware Multi-Robot Coverage Path Planning
• Title（参考訳）: 優先性を考慮したマルチロボット被覆経路計画
• Authors: Kanghoon Lee, Hyeonjun Kim, Jiachen Li, Jinkyoo Park,
• Abstract要約: 本稿では,環境のサブセットを重み付き優先度付きゾーンとして指定する優先対応MCPP問題を紹介する。 目標は、語彙順に、ゾーンカバレッジの合計優先度重み付きレイテンシと、全体のメースパンを最小化することである。 各種シナリオを対象とした実験により,提案手法は標準MCPPベースラインに比べて優先度重み付き遅延を著しく低減することが示された。
• 参考スコア（独自算出の注目度）: 29.15118436759072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot systems are widely used for coverage tasks that require efficient coordination across large environments. In Multi-Robot Coverage Path Planning (MCPP), the objective is typically to minimize the makespan by generating non-overlapping paths for full-area coverage. However, most existing methods assume uniform importance across regions, limiting their effectiveness in scenarios where some zones require faster attention. We introduce the Priority-Aware MCPP (PA-MCPP) problem, where a subset of the environment is designated as prioritized zones with associated weights. The goal is to minimize, in lexicographic order, the total priority-weighted latency of zone coverage and the overall makespan. To address this, we propose a scalable two-phase framework combining (1) greedy zone assignment with local search, spanning-tree-based path planning, and (2) Steiner-tree-guided residual coverage. Experiments across diverse scenarios demonstrate that our method significantly reduces priority-weighted latency compared to standard MCPP baselines, while maintaining competitive makespan. Sensitivity analyses further show that the method scales well with the number of robots and that zone coverage behavior can be effectively controlled by adjusting priority weights.
• Abstract（参考訳）: マルチロボットシステムは大規模環境を横断する効率的な調整を必要とするカバレッジタスクに広く利用されている。 MCPP(Multi-Robot Coverage Path Planning)では、通常、フルエリアのカバレッジのために重複しないパスを生成することで、フェイクパンを最小化することが目的である。 しかしながら、既存のほとんどの手法は、地域間で一様の重要性を前提としており、いくつかのゾーンがより早く注意を必要とするシナリオにおいて、その有効性を制限している。 本稿では,環境のサブセットを重み付き優先度付きゾーンとして指定する優先対応MCPP (PA-MCPP) 問題を紹介する。 目標は、語彙順に、ゾーンカバレッジの合計優先度重み付きレイテンシと、全体のメースパンを最小化することである。 そこで我々は,(1)グリーディゾーン割り当てと局所探索,(2)スパンニングツリーに基づく経路計画,(2)スタイナーツリー誘導残差カバレッジを組み合わせたスケーラブルな2相フレームワークを提案する。 各種シナリオを対象とした実験により,提案手法は標準のMCPPベースラインに比べて優先度重み付け遅延を著しく低減し,競争力の維持を図っている。 さらに,本手法はロボット数とよく一致し,優先度の調整によってゾーン被覆挙動を効果的に制御できることが示唆された。

関連論文リスト

• QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
  宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。 本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
  論文  参考訳（メタデータ） (2025-12-17T06:22:46Z)
• Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
  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。
  論文  参考訳（メタデータ） (2025-08-27T17:59:36Z)
• P2Object: Single Point Supervised Object Detection and Instance Segmentation [58.778288785355]
  バランスの取れたtextbftextitinstance レベルの提案バッグを構成する Point-to-Box Network (P2BNet) を導入する。 P2MNetはより正確なバウンディングボックスを生成し、セグメンテーションタスクに一般化することができる。 提案手法は,COCO,VOC,Cityscapesの平均精度において,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2025-04-10T14:51:08Z)
• Learning Coverage Paths in Unknown Environments with Deep Reinforcement Learning [17.69984142788365]
  被覆経路計画 (CPP) は、制限された領域の自由空間全体をカバーする経路を見つける問題である。 この課題に対する強化学習の適性について検討する。 本稿では,フロンティアに基づく計算可能なエゴセントリックマップ表現と,全変動に基づく新たな報酬項を提案する。
  論文  参考訳（メタデータ） (2023-06-29T14:32:06Z)
• Autonomous search of real-life environments combining dynamical system-based path planning and unsupervised learning [0.0]
  本研究は,カオスカバレッジパスプランナの現実的応用のための新しいフレームワークを開発する。 効果的な障害物回避、カオス軌道分散、正確なリアルタイムカバレッジ計算のための技術を提供する。 このアプリケーションの性能は、従来の最適経路プランナーに匹敵するものだった。
  論文  参考訳（メタデータ） (2023-05-03T00:09:31Z)
• Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
  マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。 実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
  論文  参考訳（メタデータ） (2022-09-30T03:40:10Z)
• Intention-Aware Navigation in Crowds with Extended-Space POMDP Planning [5.01069065110753]
  本稿では,Palially Observable Markov Decision Process (POMDP)計画システムについて述べる。 歩行者や障害物の密集した群集における自律走行の問題点を考察する。 我々は,POMDPプランナがより多くの自由度を制御できる,より有能で応答性の高いリアルタイムアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-20T22:26:14Z)
• Deep R-Learning for Continual Area Sweeping [41.832987254467284]
  非均一なカバレッジプランニングは、ロボット工学においてよく研究されている問題である。 本稿では,ロボットが事前に関連する事象の分布を把握していないような,一様でないカバレッジのバリエーションについて考察する。 半マルコフ決定過程における強化学習に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-05-31T19:15:28Z)

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。