論文の概要: Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution

• arxiv url: http://arxiv.org/abs/2603.05767v1
• Date: Fri, 06 Mar 2026 00:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.967277
• Title: Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution
• Title（参考訳）: 制約付きベイズ最適化とSTLを用いた局所コストマップ学習によるマルチロボット軌道計画
• Authors: Sourav Raxit, Abdullah Al Redwan Newaz, Jose Fuentes, Paulo Padrao, Ana Cavalcanti, Leonardo Bobadilla,
• Abstract要約: 本稿では,信号時間論理(STL)仕様の下でのマルチロボット動作計画にキノダイナミック制約を適用した。 サンプルベースオンライン学習と正式なSTL推論を組み合わせた2段階のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.6243762297989983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address multi-robot motion planning under Signal Temporal Logic (STL) specifications with kinodynamic constraints. Exact approaches face scalability bottlenecks and limited adaptability, while conventional sampling-based methods require excessive samples to construct optimal trajectories. We propose a two-stage framework integrating sampling-based online learning with formal STL reasoning. At the single-robot level, our constrained Bayesian Optimization-based Tree search (cBOT) planner uses a Gaussian process as a surrogate model to learn local cost maps and feasibility constraints, generating shorter collision-free trajectories with fewer samples. At the multi-robot level, our STL-enhanced Kinodynamic Conflict-Based Search (STL-KCBS) algorithm incorporates STL monitoring into conflict detection and resolution, ensuring specification satisfaction while maintaining scalability and probabilistic completeness. Benchmarking demonstrates improved trajectory efficiency and safety over existing methods. Real-world experiments with autonomous surface vehicles validate robustness and practical applicability in uncertain environments. The STLcBOT Planner will be released as an open-source package, and videos of real-world and simulated experiments are available at https://stlbot.github.io/.
• Abstract（参考訳）: 本稿では,信号時間論理(STL)仕様の下でのマルチロボット動作計画にキノダイナミック制約を適用した。 厳密なアプローチはスケーラビリティのボトルネックと限定的な適応性に直面するが、従来のサンプリングベース手法では最適な軌道を構築するのに過剰なサンプルを必要とする。 サンプルベースオンライン学習と正式なSTL推論を組み合わせた2段階のフレームワークを提案する。 単ボットレベルでは、制約付きベイズ最適化木探索(cBOT)プランナーは、ガウス過程を代理モデルとして、局所的なコストマップと実現可能性制約を学習し、より少ないサンプルで短い衝突のない軌道を生成する。 マルチロボットレベルでは,STLによるKinodynamic Conflict-Based Search (STL-KCBS)アルゴリズムは,STLモニタリングを競合検出と解決に組み込んで,スケーラビリティと確率的完全性を維持しつつ,仕様満足度を確保する。 ベンチマークでは、既存の手法よりも軌道の効率と安全性が改善されている。 自動運転車による実世界の実験は、不確実な環境での堅牢性と実用性を検証する。 STLcBOT Plannerはオープンソースパッケージとしてリリースされ、実世界とシミュレーションされた実験のビデオはhttps://stlbot.github.io/で公開されている。

関連論文リスト

• STL-SVPIO: Signal Temporal Logic guided Stein Variational Path Integral Optimization [8.345095354174623]
  Signal Temporal Logic (STL) は、ロボットタスク計画のための複雑な制約の正式な仕様化を可能にする。 本稿では,STLをグローバルな情報的,微分可能な報酬形成機構として再構成するSignal Vari Temporal Integral Optimization (STL-SVPIO)を紹介する。 STL-SVPIO は従来の STL タスクの堅牢性と効率性において,既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-06T00:53:38Z)
• LLM-Grounded Dynamic Task Planning with Hierarchical Temporal Logic for Human-Aware Multi-Robot Collaboration [17.886091169216538]
  大規模言語モデル(LLM)は、オープンワールドのマルチロボットタスクを非専門家が指定できるようにする。 LLMの計画は実現性に欠けることが多く、特に長期のシナリオでは効率的ではない。 階層的仕様の推論を基礎としたニューロシンボリックな枠組みを提案する。
  論文  参考訳（メタデータ） (2026-02-10T07:11:36Z)
• HardFlow: Hard-Constrained Sampling for Flow-Matching Models via Trajectory Optimization [4.249024052507976]
  本稿では,軌道最適化問題としてハードコントラストサンプリングを再構成する新しいフレームワークを提案する。 我々の重要な洞察は、数値的最適制御を利用してサンプリング軌道を操り、終端時刻に制約が正確に満たされるようにすることである。 このアルゴリズムは、制約満足度とサンプル品質の両方において、既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-11-11T16:33:57Z)
• Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments [4.0543433786183485]
  未知環境における自律飛行のためのニューラル・エンハンスト・トレイ・プランナー(NEO-Planner)を提案する。 NEO-Plannerは、生のセンサー観測から直接軌道の空間的および時間的パラメータを予測することを学ぶ。 最適化を20%削減し、純粋な最適化手法と比較して軌道時間も26%減少する。
  論文  参考訳（メタデータ） (2023-09-19T15:07:26Z)
• Signal Temporal Logic Neural Predictive Control [15.540490027770621]
  本稿では,信号時相論理(STL)に規定される要件を満たすためにニューラルネットワークコントローラを学習する手法を提案する。 我々のコントローラは、トレーニングにおけるSTLロバストネススコアを最大化するために軌道のロールアウトを学習する。 バックアップポリシは、コントローラがフェールした場合の安全性を保証するように設計されています。
  論文  参考訳（メタデータ） (2023-09-10T20:31:25Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• 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)
• Uncovering Challenges of Solving the Continuous Gromov-Wasserstein Problem [68.07116119373565]
  グロモフ=ワッサーシュタイン最適輸送(Gromov-Wasserstein Optimal Transport, GWOT)問題は、MLコミュニティの特別な関心を集めている。 既存の連続GWOTアプローチをさまざまなシナリオでクラッシュテストし、結果を注意深く記録し分析し、問題を特定します。 本稿では,離散的手法に依存しない新たな連続GWOT法を提案し,競合の問題を部分的に解決する。
  論文  参考訳（メタデータ） (2023-03-10T15:21:12Z)
• Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
  分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。 我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-04-27T16:56:09Z)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)

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。