論文の概要: riMESA: Consensus ADMM for Real-World Collaborative SLAM

• arxiv url: http://arxiv.org/abs/2603.01178v1
• Date: Sun, 01 Mar 2026 16:43:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.804437
• Title: riMESA: Consensus ADMM for Real-World Collaborative SLAM
• Title（参考訳）: riMESA: リアルタイムコラボレーションSLAMのための合意ADMM
• Authors: Daniel McGann, Michael Kaess,
• Abstract要約: 通信が限られている場合に信頼性が高く,マルチロボットチームの正確な状態推定をリアルタイムに計算できる,堅牢でインクリメンタルな分散C-SLAMバックエンドを提案する。 本研究は,C-SLAMと実世界のC-SLAMデータの両方を用いて,様々なC-SLAM問題シナリオと通信ネットワーク条件に関するriMESAの詳細な評価を行った結果である。
• 参考スコア（独自算出の注目度）: 19.173526713224206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative Simultaneous Localization and Mapping (C-SLAM) is a fundamental capability for multi-robot teams as it enables downstream tasks like planning and navigation. However, existing C-SLAM back-end algorithms that are required to solve this problem struggle to address the practical realities of real-world deployments (i.e. communication limitations, outlier measurements, and online operation). In this paper we propose Robust Incremental Manifold Edge-based Separable ADMM (riMESA) -- a robust, incremental, and distributed C-SLAM back-end that is resilient to outliers, reliable in the face of limited communication, and can compute accurate state estimates for a multi-robot team in real-time. Through the development of riMESA, we, more broadly, make an argument for the use of Consensus Alternating Direction Method of Multipliers as a theoretical foundation for distributed optimization tasks in robotics like C-SLAM due to its flexibility, accuracy, and fast convergence. We conclude this work with an in-depth evaluation of riMESA on a variety of C-SLAM problem scenarios and communication network conditions using both synthetic and real-world C-SLAM data. These experiments demonstrate that riMESA is able to generalize across conditions, produce accurate state estimates, operate in real-time, and outperform the accuracy of prior works by a factor >7x on real-world datasets.
• Abstract（参考訳）: C-SLAM(Collaborative Simultaneous Localization and Mapping)は、計画やナビゲーションといった下流タスクを可能にするため、複数のロボットチームにとって基本的な機能である。 しかし、この問題を解決するために必要となる既存のC-SLAMバックエンドアルゴリズムは、実世界の展開の現実性(通信制限、外れ値測定、オンライン操作など)に対処するのに苦労している。 本稿では,ロバスト・インクリメンタル・マニフォールド・エッジをベースとした分離型ADMM (riMESA) を提案する。 riMESAの開発を通じて、より広義には、C-SLAMのようなロボットにおける分散最適化タスクの理論的基礎として、その柔軟性、精度、高速収束のために、マルチプライヤのコンセンサス代替方向法(Consensus Alternating Direction Method of Multipliers)の使用について議論する。 本研究は,C-SLAMと実世界のC-SLAMデータの両方を用いて,様々なC-SLAM問題シナリオと通信ネットワーク条件に関するriMESAの詳細な評価を行った結果である。 これらの実験により、riMESAは条件をまたいで一般化し、正確な状態推定を生成し、リアルタイムに運用し、実世界のデータセット上で係数>7倍の精度で事前の作業の精度を上回ります。

関連論文リスト

• CXMArena: Unified Dataset to benchmark performance in realistic CXM Scenarios [2.453527617789368]
  大規模言語モデル(LLM)は、顧客エクスペリエンスマネジメント(CXM)に革命をもたらす大きな可能性を秘めている 複雑な運用環境での実用性の評価は、データ不足と現在のベンチマークの限界によって妨げられています。 我々はCXMArenaを紹介した。これはCXMコンテキストでAIを評価するために特別に設計された、新しい大規模合成ベンチマークデータセットである。
  論文  参考訳（メタデータ） (2025-05-14T14:44:30Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• An Real-Sim-Real (RSR) Loop Framework for Generalizable Robotic Policy Transfer with Differentiable Simulation [13.15220962477623]
  本稿では,シミュレーションと実環境のギャップを解消する新しいリアルタイムループフレームワークを提案する。 我々の研究の重要な貢献は、多様で代表的な実世界のデータの収集を促進する情報的コスト関数の設計である。 我々のアプローチは多機能なMJXプラットフォーム上で実装されており、我々のフレームワークは幅広いロボットシステムと互換性がある。
  論文  参考訳（メタデータ） (2025-03-13T07:27:05Z)
• CRMArena: Understanding the Capacity of LLM Agents to Perform Professional CRM Tasks in Realistic Environments [90.29937153770835]
  CRMArenaは、プロフェッショナルな作業環境に根ざした現実的なタスクにおいて、AIエージェントを評価するために設計されたベンチマークである。 現状のLDMエージェントはReActプロンプトのタスクの40%以下で成功し,機能呼び出し能力でも55%以下であった。 この結果から,実環境に展開する関数呼び出しやルールフォローにおいて,エージェント機能の向上の必要性が示唆された。
  論文  参考訳（メタデータ） (2024-11-04T17:30:51Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)

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。