論文の概要: UMBRELLA: Uncertainty-aware Multi-robot Reactive Coordination under Dynamic Temporal Logic Tasks

• arxiv url: http://arxiv.org/abs/2603.25395v1
• Date: Thu, 26 Mar 2026 12:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.295181
• Title: UMBRELLA: Uncertainty-aware Multi-robot Reactive Coordination under Dynamic Temporal Logic Tasks
• Title（参考訳）: UMBRELLA:動的時間論理タスクにおける不確実性を考慮したマルチロボット反応座標
• Authors: Qisheng Zhao, Meng Guo, Hengxuan Du, Lars Lindemann, Zhongkui Li,
• Abstract要約: 本稿では,動的および移動目標を含む協調作業のためのマルチロボットシステムのコーディネート問題に対処する。 コンフォーマル予測(CP)による目標運動予測の不確かさを明示的にモデル化する。 提案するフレームワーク (UMBRELLA) は,MCTS (Monte Carlo Tree Search) を部分計画と不確実性を考慮したロールアウトに組み合わせたものだ。
• 参考スコア（独自算出の注目度）: 5.794342083222513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot systems can be extremely efficient for accomplishing team-wise tasks by acting concurrently and collaboratively. However, most existing methods either assume static task features or simply replan when environmental changes occur. This paper addresses the challenging problem of coordinating multi-robot systems for collaborative tasks involving dynamic and moving targets. We explicitly model the uncertainty in target motion prediction via Conformal Prediction(CP), while respecting the spatial-temporal constraints specified by Linear Temporal Logic (LTL). The proposed framework (UMBRELLA) combines the Monte Carlo Tree Search (MCTS) over partial plans with uncertainty-aware rollouts, and introduces a CP-based metric to guide and accelerate the search. The objective is to minimize the Conditional Value at Risk (CVaR) of the average makespan. For tasks released online, a receding-horizon planning scheme dynamically adjusts the assignments based on updated task specifications and motion predictions. Spatial and temporal constraints among the tasks are always ensured, and only partial synchronization is required for the collaborative tasks during online execution. Extensive large-scale simulations and hardware experiments demonstrate substantial reductions in both the average makespan and its variance by 23% and 71%, compared with static baselines.
• Abstract（参考訳）: マルチロボットシステムは、同時かつ協調的に行動することによって、チームレベルのタスクを達成するのに極めて効率的です。 しかし、既存のほとんどのメソッドは、静的なタスクの特徴を仮定するか、環境変化が発生した時に単に再計画する。 本稿では,動的および移動目標を含む協調作業において,マルチロボットシステムのコーディネートという課題に対処する。 本研究では,線形時間論理(LTL)によって規定される空間的時間的制約を尊重しながら,CPによる目標動き予測の不確実性を明示的にモデル化する。 提案するフレームワーク (UMBRELLA) は,モンテカルロ木探索 (MCTS) を部分計画と不確実性を考慮したロールアウトに結合し,探索のガイドと高速化を行うCPベースのメトリクスを導入する。 目的は、平均メイスパンの条件付きリスク(CVaR)を最小限にすることである。 オンラインリリースされたタスクに対しては、リリーディングホライズン計画スキームが更新されたタスク仕様と動作予測に基づいて動的に割り当てを調整する。 タスク間の空間的制約と時間的制約は常に保証され、オンライン実行中の協調タスクには部分同期が要求される。 大規模シミュレーションとハードウェア実験は, 静的ベースラインと比較して, 平均メイスパンとばらつきを23%, 71%削減した。

関連論文リスト

• ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
  重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。 本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:06:51Z)
• 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)
• Multi-Agent Monte Carlo Tree Search for Makespan-Efficient Object Rearrangement in Cluttered Spaces [17.569349375085203]
  本項で紹介する。 Asynchronous, Multi-agent Monte Carlo Tree Search (CAM-MCTS) - 新しいフレームワーク。 挑戦的環境における汎用メイスパン効率のオブジェクト計画。 CAM-MCTSは, 粗い環境下での多種多様な単調タスクと非単調タスクにまたがって評価し, 強いベースラインと比較して, メイスパンが一貫した減少を示す。
  論文  参考訳（メタデータ） (2026-02-02T18:10:45Z)
• Adaptive Bi-Level Multi-Robot Task Allocation and Learning under Uncertainty with Temporal Logic Constraints [5.329682333337303]
  この研究は、未知のロボット遷移モデルの下でのマルチロボット協調の問題に対処する。 本稿では,ハイレベルなタスクアロケーションと低レベルな分散ポリシ学習と実行を統合した双方向フレームワークを提案する。 提案アルゴリズムを理論的に検証し,課題割り当てが所望の確率閾値を高い信頼性で満たすことを示す。
  論文  参考訳（メタデータ） (2025-02-14T10:39:21Z)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments [54.39292848359306]
  本稿では,タスクのシーケンシング,割り当て,実行を最適化するタスクと動作計画の組み合わせを提案する。 このフレームワークはタスクとアクションの分離に依存しており、アクションはシンボル的タスクの幾何学的実現の可能な1つの可能性である。 ロボットアームと人間の作業員がモザイクを組み立てる共同製造シナリオにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-03-27T01:50:45Z)
• Bottom-up mechanism and improved contract net protocol for the dynamic task planning of heterogeneous Earth observation resources [61.75759893720484]
  地球観測資源は、災害救助、被害評価、関連する領域においてますます不可欠になりつつある。 観測要求の変更や悪天候の発生、資源の失敗など、予測できない多くの要因は、スケジュールされた観測計画が実行不可能になる可能性がある。 不均質な地球観測資源の動的タスク計画を容易にするため、ボトムアップ分散協調フレームワークと改良された契約網を提案する。
  論文  参考訳（メタデータ） (2020-07-13T03:51:08Z)
• 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。