論文の概要: Decentralized and Fully Onboard: Range-Aided Cooperative Localization and Navigation on Micro Aerial Vehicles

• arxiv url: http://arxiv.org/abs/2602.16594v2
• Date: Thu, 19 Feb 2026 02:49:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.544121
• Title: Decentralized and Fully Onboard: Range-Aided Cooperative Localization and Navigation on Micro Aerial Vehicles
• Title（参考訳）: 分散・完全搭載:マイクロエアロビーにおける距離支援協力型位置決めとナビゲーション
• Abstract要約: 本研究では,地域支援型分散型ローカライゼーションと形成制御の課題について考察する。 各ロボットは、その相対的なポーズを、搭載されたオドメーターセンサーからのデータと、チーム内の他のロボットとの距離測定だけを組み合わせて推定する。 本稿では,ロボット間の厳密な協調を必要としない局所化に対するブロック座標降下手法を提案する。
• 参考スコア（独自算出の注目度）: 7.827829335706731
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controlling a team of robots in a coordinated manner is challenging because centralized approaches (where all computation is performed on a central machine) scale poorly, and globally referenced external localization systems may not always be available. In this work, we consider the problem of range-aided decentralized localization and formation control. In such a setting, each robot estimates its relative pose by combining data only from onboard odometry sensors and distance measurements to other robots in the team. Additionally, each robot calculates the control inputs necessary to collaboratively navigate an environment to accomplish a specific task, for example, moving in a desired formation while monitoring an area. We present a block coordinate descent approach to localization that does not require strict coordination between the robots. We present a novel formulation for formation control as inference on factor graphs that takes into account the state estimation uncertainty and can be solved efficiently. Our approach to range-aided localization and formation-based navigation is completely decentralized, does not require specialized trajectories to maintain formation, and achieves decimeter-level positioning and formation control accuracy. We demonstrate our approach through multiple real experiments involving formation flights in diverse indoor and outdoor environments.
• Abstract（参考訳）: ロボットのチームを協調的に制御することは、中央集権的なアプローチ(すべての計算が中央のマシンで実行される)が不十分であり、グローバルに参照される外部ローカライゼーションシステムが常に利用できるとは限らないため、難しい。 本研究では,地域支援型分散型ローカライゼーションと形成制御の課題について考察する。 この設定では、各ロボットは、搭載されたオドメーターセンサーからのデータと、チーム内の他のロボットとの距離測定のみを組み合わせて、相対的なポーズを推定する。 さらに、各ロボットは、環境を協調的にナビゲートして特定のタスクを達成するために必要な制御入力を計算する。 本稿では,ロボット間の厳密な協調を必要としない局所化に対するブロック座標降下手法を提案する。 本稿では, 状態推定の不確実性を考慮し, 効率的に解ける因子グラフの推論として, 生成制御のための新しい定式化を提案する。 レンジ支援型局所化とフォーメーションベースナビゲーションへのアプローチは、完全に分散化されており、フォーメーションを維持するために特別な軌跡を必要とせず、デシメータレベルの位置決めとフォーメーションコントロールの精度を実現する。 本研究は,屋内および屋外の多様な環境における成層飛行に関する実測実験を通じて実施した。

関連論文リスト

• Gaussian Processes for Modelling Spatial Fields with Robot Swarms [9.178969775955185]
  本研究では,空間場モデリングの解法として,位置認識型ガウス過程回帰(LU-GPR)を導入する。 LU-GPRにより、各ロボットは宇宙空間におけるフィールドの後方平均と分散を推定でき、同時に基準の共通フレームに同調する。 この結果から,LU-GPRはロボットの数に匹敵し,通信範囲が限られていることがわかった。
  論文  参考訳（メタデータ） (2026-09-15T17:03:11Z)
• An Infrastructure-less, Control-Independent Solution to Relative Localisation of a Team of Mobile Robots using Ranging Measurements [1.6549673766945538]
  分散協調型ローカライゼーションアルゴリズムは, ドメトリー, エージェント間距離測定, 短距離通信に基づく。 この方法はアンカーレスであり、完全に分散化されており、チームの可観測性を確保するためにロボットの動きを制御する必要はない。
  論文  参考訳（メタデータ） (2026-06-18T15:27:43Z)
• Distributed Multi-Coverage for Robot Swarms [6.759291241573661]
  監視、環境監視、インフラ検査のために展開される自律型ドローン群は、ロボットの故障にもかかわらず、信頼できるカバレッジを維持する必要がある。 それぞれのアセットは冗長性のために複数のロボットによって観察されなければならない。 本稿では,ローカルセンシング,ローカル通信,グローバルコーディネーションのないロボット群を対象とした分散マルチカバーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-05-20T19:43:41Z)
• CHORAL: Traversal-Aware Planning for Safe and Efficient Heterogeneous Multi-Robot Routing [4.3992789649203194]
  自律ロボットによる大規模で未知の複雑な環境のモニタリングは、重要なナビゲーション課題を引き起こす。 異種ロボットの協調のための統合意味認識フレームワークを提案する。 シミュレーション実験と3つのロボットプラットフォームを用いた実際の検査ミッションにより,本手法の有効性が実証された。
  論文  参考訳（メタデータ） (2026-01-15T12:34:22Z)
• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• A Scalable Multi-Robot Framework for Decentralized and Asynchronous Perception-Action-Communication Loops [72.1902268440158]
  グローバルな目的を達成するため,大規模なロボット群における協調作業は,大規模環境における課題である。 ロボットはパーセプション・アクション・コミュニケーションループを実行し、ローカル環境を認識し、他のロボットと通信し、リアルタイムで行動を起こす必要がある。 近年では、フロッキングやカバレッジ制御などのアプリケーションでグラフニューラルネットワーク(GNN)を使用してこの問題に対処している。 本稿では、分散化されたGNNを用いてナビゲーション動作を計算し、通信のためのメッセージを生成するロボット群における非同期PACフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T21:20:50Z)
• Simulation of robot swarms for learning communication-aware coordination [0.0]
  我々は、全能集中型コントローラから得られる局所的な観測を入力として、エンドツーエンドのニューラルネットワークを訓練する。 実験は、平面ロボットの高性能オープンソースシミュレータであるEnkiで実施されている。
  論文  参考訳（メタデータ） (2023-02-25T17:17:40Z)
• 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)
• Waypoint Generation in Row-based Crops with Deep Learning and Contrastive Clustering [1.2599533416395767]
  行ベースの作物の航法経路を計画するための経路点生成のための学習に基づくアプローチを提案する。 本稿では,各点を分離可能な潜在空間に投影できる,コントラスト損失に基づく新たなウェイポイントクラスタリング手法を提案する。 提案したディープニューラルネットワークは、単一のフォワードパスで2つの特別なヘッドによるウェイポイント位置とクラスタ割り当てを同時に予測することができる。
  論文  参考訳（メタデータ） (2022-06-23T11:21:04Z)
• Centralizing State-Values in Dueling Networks for Multi-Robot Reinforcement Learning Mapless Navigation [87.85646257351212]
  本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。 この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。 我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:47:00Z)
• 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)
• Indoor Point-to-Point Navigation with Deep Reinforcement Learning and Ultra-wideband [1.6799377888527687]
  移動障害や非視線発生はノイズや信頼性の低い信号を生成する。 深部強化学習(RL)で学習した電力効率のよい局所プランナーが,ノイズショートレンジ誘導システムの完全解法として頑健かつ弾力性を持つことを示す。 この結果から, 計算効率のよいエンドツーエンドポリシは, 堅牢でスケーラブルで, 最先端の低コストナビゲーションシステムを実現することができることがわかった。
  論文  参考訳（メタデータ） (2020-11-18T12:30:36Z)

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。