論文の概要: Multi-Robot Multitask Gaussian Process Estimation and Coverage

• arxiv url: http://arxiv.org/abs/2603.11264v1
• Date: Wed, 11 Mar 2026 19:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.696923
• Title: Multi-Robot Multitask Gaussian Process Estimation and Coverage
• Title（参考訳）: マルチロボットマルチタスクガウスプロセスの推定とカバレッジ
• Authors: Lai Wei, Andrew McDonald, Vaibhav Srivastava,
• Abstract要約: 感覚的要求のある領域を監視またはカバーするために、エージェントの最適な配置には、カバレッジ制御が不可欠である。 本稿では、新しいマルチタスクカバレッジ問題を導入し、未知の感覚要求の場合に対処する。
• 参考スコア（独自算出の注目度）: 5.6569352598243166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coverage control is essential for the optimal deployment of agents to monitor or cover areas with sensory demands. While traditional coverage involves single-task robots, increasing autonomy now enables multitask operations. This paper introduces a novel multitask coverage problem and addresses it for both the cases of known and unknown sensory demands. For known demands, we design a federated multitask coverage algorithm and establish its convergence properties. For unknown demands, we employ a multitask Gaussian Process (GP) framework to learn sensory demand functions and integrate it with the multitask coverage algorithm to develop an adaptive algorithm. We introduce a novel notion of multitask coverage regret that compares the performance of the adaptive algorithm against an oracle with prior knowledge of the demand functions. We establish that our algorithm achieves sublinear cumulative regret, and numerically illustrate its performance.
• Abstract（参考訳）: 感覚的要求のある領域を監視またはカバーするために、エージェントの最適な配置には、カバレッジ制御が不可欠である。 従来のカバレッジにはシングルタスクロボットが含まれるが、自律性の向上はマルチタスク操作を可能にしている。 本稿では、新しいマルチタスクカバレッジ問題を導入し、未知の感覚要求の場合に対処する。 既知の要求に対して,フェデレートされたマルチタスクカバレッジアルゴリズムを設計し,収束特性を確立する。 未知の要求に対して,センサ要求関数を学習し,マルチタスクカバレッジアルゴリズムと統合して適応アルゴリズムを開発するために,マルチタスク・ガウス・プロセス(GP)フレームワークを用いる。 本稿では,適応アルゴリズムの性能と要求関数の事前知識とを比較した,マルチタスクカバレッジの新たな概念を提案する。 提案アルゴリズムは,サブ線形累積後悔を実現し,その性能を数値的に示す。

関連論文リスト

• Active Fine-Tuning of Multi-Task Policies [54.65568433408307]
  AMF(Active Multi-task Fine-tuning)を提案する。 我々は,AMFの性能保証を規則性仮定で導き,複雑・高次元環境における実験的有効性を示す。
  論文  参考訳（メタデータ） (2024-10-07T13:26:36Z)
• Multitask Learning with No Regret: from Improved Confidence Bounds to Active Learning [79.07658065326592]
  推定タスクの不確実性の定量化は、オンラインやアクティブな学習など、多くの下流アプリケーションにとって重要な課題である。 タスク間の類似性やタスクの特徴を学習者に提供できない場合、課題設定において新しいマルチタスク信頼区間を提供する。 本稿では,このパラメータを事前に知らないまま,このような改善された後悔を実現する新しいオンライン学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-03T13:08:09Z)
• DenseMTL: Cross-task Attention Mechanism for Dense Multi-task Learning [18.745373058797714]
  本稿では,相互に相互にタスクを交換するマルチタスク学習アーキテクチャを提案する。 我々は3つのマルチタスク・セットアップにまたがって広範な実験を行い、合成および実世界のベンチマークにおいて競合するベースラインと比較して、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2022-06-17T17:59:45Z)
• In Defense of the Unitary Scalarization for Deep Multi-Task Learning [121.76421174107463]
  本稿では,多くの特殊マルチタスクを正規化の形式として解釈できることを示唆する理論解析について述べる。 標準正規化と安定化技術と組み合わせると、ユニタリスカラー化は複雑なマルチタスクの性能にマッチし、改善することを示す。
  論文  参考訳（メタデータ） (2022-01-11T18:44:17Z)
• Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
  シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。 合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。 次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
  論文  参考訳（メタデータ） (2021-09-15T21:19:11Z)
• No-regret Algorithms for Multi-task Bayesian Optimization [26.13594355150718]
  非パラメトリックベイズ最適化における未知ベクトル値関数の多目的最適化(MOO)を考える。 目的のランダムなスキャラライズに基づく2つの新しいBOアルゴリズムを開発した。 合成MOO問題と実時間MOO問題の両方にアルゴリズムをベンチマークし、マルチタスクカーネルで学習することで得られる利点を示す。
  論文  参考訳（メタデータ） (2020-08-20T10:55:20Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。