論文の概要: CoEnv: Driving Embodied Multi-Agent Collaboration via Compositional Environment
- arxiv url: http://arxiv.org/abs/2604.05484v1
- Date: Tue, 07 Apr 2026 06:24:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.662084
- Title: CoEnv: Driving Embodied Multi-Agent Collaboration via Compositional Environment
- Title（参考訳）: CoEnv: 構成環境によるマルチエージェントコラボレーションの推進
- Abstract要約: CoEnvは、安全な戦略探索のためにシミュレーションを活用するフレームワークであり、信頼性の高い現実世界のデプロイメントを保証する。
CoEnvは、物理的なワークスペースをデジタル化するリアル・ツー・シムのシーン再構築、コードベースの軌道生成によるリアルタイム計画と安全な配置のための衝突検出によるシム・トゥ・リアル転送の両方をサポートするVLM駆動のアクション合成という3つの段階を経験している。
- 参考スコア（独自算出の注目度）: 54.84167973913561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent embodied systems hold promise for complex collaborative manipulation, yet face critical challenges in spatial coordination, temporal reasoning, and shared workspace awareness. Inspired by human collaboration where cognitive planning occurs separately from physical execution, we introduce the concept of compositional environment -- a synergistic integration of real-world and simulation components that enables multiple robotic agents to perceive intentions and operate within a unified decision-making space. Building on this concept, we present CoEnv, a framework that leverages simulation for safe strategy exploration while ensuring reliable real-world deployment. CoEnv operates through three stages: real-to-sim scene reconstruction that digitizes physical workspaces, VLM-driven action synthesis supporting both real-time planning with high-level interfaces and iterative planning with code-based trajectory generation, and validated sim-to-real transfer with collision detection for safe deployment. Extensive experiments on challenging multi-arm manipulation benchmarks demonstrate CoEnv's effectiveness in achieving high task success rates and execution efficiency, establishing a new paradigm for multi-agent embodied AI.
- Abstract（参考訳）: マルチエージェント・エンボディドシステムは複雑な協調操作を約束するが、空間的調整、時間的推論、ワークスペース認識の共有において重要な課題に直面している。
認知的計画が物理的実行とは別個に行われる人間のコラボレーションにインスパイアされた我々は、複数のロボットエージェントが意図を理解し、統一された意思決定空間内で動作できるようにする、現実世界とシミュレーションコンポーネントの相乗的な統合である構成環境の概念を導入する。
この概念に基づいて,安全な戦略探索のためにシミュレーションを活用するとともに,信頼性の高い実世界の展開を保証するフレームワークであるCoEnvを紹介する。
CoEnvは、物理的なワークスペースをデジタル化するリアルタイムシーン再構築、高レベルのインターフェースによるリアルタイム計画とコードベースの軌道生成による反復計画の両方をサポートするVLM駆動のアクション合成、衝突検出によるシムから現実へのトランスファーの検証、安全なデプロイメントの3段階を経験している。
挑戦的なマルチアーム操作ベンチマークに関する大規模な実験は、タスクの成功率と実行効率を達成する上で、CoEnvの有効性を示し、マルチエージェントなAIのための新しいパラダイムを確立している。
関連論文リスト
- Cooperative Multi-UAV Navigation in Complex Environments via Systematic Multi-Agent Deep Reinforcement Learning [14.620999662200795]
局所的なオプティマトラップ、スパース報酬、エージェント間の不均衡の学習、クロスシナリオの一般化が不十分である。
本稿では,これらの課題を協調探索,実証利用,安全なカリキュラムスケジューリング,構造認識の一般化を通じて解決する多エージェント深層強化学習フレームワークを提案する。
シミュレーションの結果、コラボレーションの成功率、ナビゲーションの堅牢性、ゼロショットのクロスシナリオの一般化、動的環境適応性などにおいて、強い性能が確認された。
論文 参考訳（メタデータ） (2026-07-28T14:16:11Z) - Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation [47.58516950734307]
既存のフレームワークは、しばしば特権化されたシミュレータの状態に依存するか、あるいは完全な命令を仮定し、現実的なデプロイメント課題を回避します。
本稿では,オープンワールドモバイル操作のためのエージェントフレームワークREALを提案する。
我々は、データ収集、教師付き微調整、オンライン強化学習を駆動するための多様なタスク構成を設計する。
論文 参考訳（メタデータ） (2026-07-15T09:55:45Z) - SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。
スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。
実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-04-20T17:46:20Z) - TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。
我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
論文 参考訳（メタデータ） (2026-03-09T05:52:13Z) - Collaborative Planning with Concurrent Synchronization for Operationally Constrained UAV-UGV Teams [12.49123582162583]
コラボレーティブプランニング(Collaborative Planning with Concurrent Synchronization, CoPCS)は、タスクエンコーディングのための異種グラフトランスフォーマーと、共同で同期されたコプランニングのためのトランスフォーマデコーダを統合する学習ベースのアプローチである。
本手法は,同時並行計画の新たなマルチロボット機能を提供し,チームパフォーマンスを大幅に向上させる。
論文 参考訳（メタデータ） (2026-03-06T21:36:25Z) - EmCoop: A Framework and Benchmark for Embodied Cooperation Among LLM Agents [18.802912315746564]
EmCoopは、組み込みマルチエージェントシステムの協調を研究するためのベンチマークフレームワークである。
我々のフレームワークは、高レベルの認知層と低レベルのエンボディドインタラクション層を分離する。
コラボレーションの品質と障害モードを診断する,一般化可能なプロセスレベルのメトリクスを提案する。
論文 参考訳（メタデータ） (2026-02-27T22:28:33Z) - Efficient and Compliant Control Framework for Versatile Human-Humanoid Collaborative Transportation [2.4087148947930634]
本稿では,ヒューマノイドロボットが人間のパートナーと共同で移動作業を行うための制御フレームワークを提案する。
このフレームワークは翻訳運動と回転運動の両方をサポートしており、これは同時輸送のシナリオの基本である。
高レベルプランナー、低レベルコントローラ、剛性調節機構の3つのコンポーネントから構成される。
論文 参考訳（メタデータ） (2025-12-08T18:52:10Z) - DR. WELL: Dynamic Reasoning and Learning with Symbolic World Model for Embodied LLM-Based Multi-Agent Collaboration [18.250351934101463]
DR. WELLは、協調的マルチエージェント計画のための分散型神経シンボルフレームワークである。
エージェントは候補者の役割を提案し、合意と環境制約の下で共同割り当てをコミットする。
各エージェントは、詳細な軌道を明らかにすることなく、独立してその役割の象徴的な計画を生成し実行します。
論文 参考訳（メタデータ） (2025-11-06T18:37:18Z) - SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement [81.30121762971473]
SynWorldは、エージェントが自律的に環境を探索し、最適化し、アクションに対する理解を深めることを可能にするフレームワークである。
実験の結果,SynWorldは新しい環境下での行動知識の学習に効果的で汎用的なアプローチであることを実証した。
論文 参考訳（メタデータ） (2025-04-04T16:10:57Z) - Unified Human-Scene Interaction via Prompted Chain-of-Contacts [61.87652569413429]
HSI(Human-Scene Interaction)は、AIや仮想現実といった分野において重要なコンポーネントである。
本稿では,言語コマンドによる多様なインタラクションの統一制御を支援する統一型HSIフレームワークUniHSIを提案する。
論文 参考訳（メタデータ） (2023-09-14T17:59:49Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z)
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。