論文の概要: Unsupervised Multi-agent and Single-agent Perception from Cooperative Views

• arxiv url: http://arxiv.org/abs/2604.05354v1
• Date: Tue, 07 Apr 2026 02:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.586948
• Title: Unsupervised Multi-agent and Single-agent Perception from Cooperative Views
• Title（参考訳）: 協調的視点から見た教師なしマルチエージェントとシングルエージェントの知覚
• Authors: Haochen Yang, Baolu Li, Lei Li, Delin Ren, Jiacheng Guo, Minghai Qin, Tianyun Zhang, Hongkai Yu,
• Abstract要約: 人間のアノテーションを使わずにマルチエージェント協調を利用するunsupervised Multi-agent and Single-agent (UMS) 認識フレームワークを提案する。 UMS法は,マルチエージェントと単一エージェントの両方の認識タスクにおいて,最先端の手法よりも高い3次元検出性能を実現した。
• 参考スコア（独自算出の注目度）: 25.663006850116286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The LiDAR-based multi-agent and single-agent perception has shown promising performance in environmental understanding for robots and automated vehicles. However, there is no existing method that simultaneously solves both multi-agent and single-agent perception in an unsupervised way. By sharing sensor data between multiple agents via communication, this paper discovers two key insights: 1) Improved point cloud density after the data sharing from cooperative views could benefit unsupervised object classification, 2) Cooperative view of multiple agents can be used as unsupervised guidance for the 3D object detection in the single view. Based on these two discovered insights, we propose an Unsupervised Multi-agent and Single-agent (UMS) perception framework that leverages multi-agent cooperation without human annotations to simultaneously solve multi-agent and single-agent perception. UMS combines a learning-based Proposal Purifying Filter to better classify the candidate proposals after multi-agent point cloud density cooperation, followed by a Progressive Proposal Stabilizing module to yield reliable pseudo labels by the easy-to-hard curriculum learning. Furthermore, we design a Cross-View Consensus Learning to use multi-agent cooperative view to guide detection in single-agent view. Experimental results on two public datasets V2V4Real and OPV2V show that our UMS method achieved significantly higher 3D detection performance than the state-of-the-art methods on both multi-agent and single-agent perception tasks in an unsupervised setting.
• Abstract（参考訳）: LiDARベースのマルチエージェントと単一エージェントの認識は、ロボットや自動車両の環境理解において有望な性能を示している。 しかし、教師なしの方法でマルチエージェントと単一エージェントの両方の認識を同時に解決する手法は存在しない。 通信を介して複数のエージェント間でセンサデータを共有することにより,2つの重要な洞察が得られた。 1) 協調的な視点からのデータ共有による点雲密度の向上は, 教師なし対象分類の恩恵を受ける可能性がある。 2) 複数エージェントの協調的な視界は, 単一の視界における3次元物体検出のための教師なしのガイダンスとして利用することができる。 これら2つの知見に基づいて,人間のアノテーションを使わずにマルチエージェント協調を利用して,マルチエージェントと単一エージェントの認識を同時に解決するunsupervised Multi-agent and Single-agent(UMS)知覚フレームワークを提案する。 UMSは、マルチエージェントポイントクラウド密度協力後の候補提案をよりよく分類するために、学習ベースのプロポーザルパーファイリングフィルタを組み合わせ、続いてプログレッシブプロポーザル安定化モジュールを使用して、容易にハードなカリキュラム学習によって信頼できる擬似ラベルを得る。 さらに,クロスビュー・コンセンサス・ラーニングを設計し,マルチエージェント・コラボレーティブ・ビューを用いて単一エージェント・ビューにおける検出をガイドする。 V2V4RealとOPV2Vの2つの公開データセットによる実験結果から,UMS法は,教師なし環境下でのマルチエージェントと単一エージェントの知覚タスクにおいて,最先端の手法よりもはるかに高い3次元検出性能を示した。

関連論文リスト

• Detecting Multi-Agent Collusion Through Multi-Agent Interpretability [0.3467226901703539]
  NARCBenchは環境分布シフト下での衝突検出のベンチマークである。 グループレベルでシナリオを分類するために,エージェントごとの詐欺スコアを集計する5つの探索手法を提案する。 単一のプローブ技術が全ての共謀タイプで支配的であり、異なる形の共謀が活性化空間で異なることを示唆している。
  論文  参考訳（メタデータ） (2026-04-01T17:08:05Z)
• MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
  セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2) 本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。 我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-08T07:28:44Z)
• Training Multi-Image Vision Agents via End2End Reinforcement Learning [51.81337984526068]
  我々は、エンドツーエンドの強化学習によって訓練されたオープンソースの視覚エージェントであるIMAgentを提案する。 マルチエージェントシステムを利用することで、困難かつ視覚的にリッチなマルチイメージQAペアを生成する。 我々は、視覚的反射と確認のための2つの特別なツールを開発し、モデルが積極的に画像コンテンツに注意を向けることを可能にする。
  論文  参考訳（メタデータ） (2025-12-05T10:02:38Z)
• Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
  M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。 M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。 本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
  論文  参考訳（メタデータ） (2025-09-20T01:54:20Z)
• MADiff: Offline Multi-agent Learning with Diffusion Models [79.18130544233794]
  MADiffは拡散型マルチエージェント学習フレームワークである。 分散ポリシと集中型コントローラの両方として機能する。 実験の結果,MADiffは様々なマルチエージェント学習タスクにおいて,ベースラインアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-27T02:14:09Z)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)
• Learning Multi-agent Skills for Tabular Reinforcement Learning using Factor Graphs [41.17714498464354]
  エージェント間の協調的な探索行動により,マルチエージェントの選択肢を直接計算できることが示唆された。 提案アルゴリズムは,マルチエージェントオプションの同定に成功し,シングルエージェントオプションや非オプションを用いることで,従来よりも大幅に性能が向上する。
  論文  参考訳（メタデータ） (2022-01-20T15:33:08Z)

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。