論文の概要: Enhancing Multi-Robot Exploration Using Probabilistic Frontier Prioritization with Dirichlet Process Gaussian Mixtures

• arxiv url: http://arxiv.org/abs/2604.03042v1
• Date: Fri, 03 Apr 2026 13:51:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.48467
• Title: Enhancing Multi-Robot Exploration Using Probabilistic Frontier Prioritization with Dirichlet Process Gaussian Mixtures
• Title（参考訳）: ディリクレプロセスガウス混合による確率的フロンティア優先順位付けによるマルチロボット探索の促進
• Authors: John Lewis Devassy, Meysam Basiri, Mário A. T. Figueiredo, Pedro U. Lima,
• Abstract要約: 本稿では,フロンティア優先化への確率的アプローチを導入することにより,既存のフロンティア探索アルゴリズムの強化を提案する。 提案された拡張は、最先端の2つのマルチエージェント探索アルゴリズムに統合され、さまざまなクラッタ、通信制約、チームサイズの環境におけるパフォーマンスを一貫して改善する。
• 参考スコア（独自算出の注目度）: 4.940650372077413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent autonomous exploration is essential for applications such as environmental monitoring, search and rescue, and industrial-scale surveillance. However, effective coordination under communication constraints remains a significant challenge. Frontier exploration algorithms analyze the boundary between the known and unknown regions to determine the next-best view that maximizes exploratory gain. This article proposes an enhancement to existing frontier-based exploration algorithms by introducing a probabilistic approach to frontier prioritization. By leveraging Dirichlet process Gaussian mixture model (DP-GMM) and a probabilistic formulation of information gain, the method improves the quality of frontier prioritization. The proposed enhancement, integrated into two state-of-the-art multi-agent exploration algorithms, consistently improves performance across environments of varying clutter, communication constraints, and team sizes. Simulations showcase an average gain of $10\%$ and $14\%$ for the two algorithms across all combinations. Successful deployment in real-world experiments with a dual-drone system further corroborates these findings.
• Abstract（参考訳）: マルチエージェントの自律探査は、環境モニタリング、捜索救助、産業規模の監視といった応用に不可欠である。 しかし,コミュニケーション制約下での効果的な協調は依然として重要な課題である。 フロンティア探索アルゴリズムは、既知の領域と未知の領域の境界を分析し、探索利得を最大化する次のベストビューを決定する。 本稿では,フロンティア優先化への確率的アプローチを導入することにより,既存のフロンティア探索アルゴリズムの強化を提案する。 ディリクレ過程のガウス混合モデル(DP-GMM)と情報ゲインの確率的定式化を利用して、フロンティア優先順位付けの品質を向上させる。 提案された拡張は、最先端の2つのマルチエージェント探索アルゴリズムに統合され、さまざまなクラッタ、通信制約、チームサイズの環境におけるパフォーマンスを一貫して改善する。 シミュレーションでは、すべての組み合わせにまたがる2つのアルゴリズムの平均利得が10\%$と14\%$を示している。 二重ドローンシステムによる実世界の実験で成功した展開は、これらの発見をさらに裏付けるものである。

関連論文リスト

• Asymptotically-Bounded 3D Frontier Exploration enhanced with Bayesian Information Gain [3.746889836344766]
  本稿では,予測可能な有界性能を有するOctoMapベースのフロンティア探索アルゴリズムを提案する。 我々のアプローチは、$mathcalO(|mathcalF|)$の複雑さを維持している。 我々はベイズ回帰器を統合して情報ゲインを推定し、未知のボクセルを明示的にカウントする必要性を回避する。
  論文  参考訳（メタデータ） (2026-04-03T12:52:33Z)
• Multi-Agent Off-World Exploration for Sparse Evidence Discovery via Gaussian Belief Mapping and Dual-Domain Coverage [15.524614683513834]
  本稿では,ガウス的信念マッピングと二重領域カバレッジに基づくスパースエビデンス発見のためのマルチエージェント情報経路計画フレームワークを提案する。 シミュレーションした月面環境における実験結果から,提案手法は,異なる予算と通信範囲でサンプリングベースおよびグリーディベースラインを一貫して上回ることがわかった。
  論文  参考訳（メタデータ） (2026-03-08T14:27:41Z)
• PC2P: Multi-Agent Path Finding via Personalized-Enhanced Communication and Crowd Perception [12.114711272142031]
  PC2Pは、QラーニングベースのMARLフレームワークから派生した、新しい分散MAPF手法である。 動的グラフトポロジに基づくパーソナライズされたコミュニケーション機構を提案する。 致命的なデッドロック問題を解決するために,我々は地域ベースのデッドロック破滅戦略を提案する。
  論文  参考訳（メタデータ） (2026-01-06T03:11:26Z)
• Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
  離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。 また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。 我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-07T15:57:56Z)
• BEACON: A Bayesian Optimization Strategy for Novelty Search in Expensive Black-Box Systems [1.204357447396532]
  ノベルティサーチ(NS)は、シミュレーションや実験を通じて多様なシステムの振る舞いを明らかにすることを目指している。 NS法は一般に、入力空間の密度の高いサンプリングを必要とする進化戦略やその他のメタヒューリスティックに依存している。 サンプル効率のよいベイズ最適化に基づくNSのアプローチであるBEACONを導入し、入力-行動関係が不透明で、評価にコストがかかるような設定に最適化する。
  論文  参考訳（メタデータ） (2024-06-05T20:23:52Z)
• 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)
• A Vision Based Deep Reinforcement Learning Algorithm for UAV Obstacle Avoidance [1.2693545159861856]
  UAV障害物回避のための探索を改善するための2つの技術を紹介します。 ひとつは収束に基づくアプローチで、探索されていない動作と時間しきい値を反復して探索と搾取のバランスをとる。 2つ目は、ガウス混合分布を用いて予測された次の状態と比較し、次のアクションを選択するためのガイダンスベースアプローチである。
  論文  参考訳（メタデータ） (2021-03-11T01:15:26Z)
• Sparse Reward Exploration via Novelty Search and Emitters [55.41644538483948]
  本稿では,SparsE Reward Exploration via Novelty and Emitters (SERENE)アルゴリズムを提案する。 SERENEは、探索空間の探索と報酬の搾取を2つの交互プロセスに分けている。 メタスケジューラは、2つのプロセス間の交互にグローバルな計算予算を割り当てる。
  論文  参考訳（メタデータ） (2021-02-05T12:34:54Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。