論文の概要: Density-Driven Optimal Control: Convergence Guarantees for Stochastic LTI Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2604.08495v1
- Date: Thu, 09 Apr 2026 17:39:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:06.050607
- Title: Density-Driven Optimal Control: Convergence Guarantees for Stochastic LTI Multi-Agent Systems
- Title（参考訳）: 密度駆動最適制御:確率LTIマルチエージェントシステムの収束保証
- Authors: Kooktae Lee,
- Abstract要約: 本稿では,マルチエージェントシステムにおける分散非一様領域カバレッジ問題に対処する。
密度駆動最適制御(D$2$OC)を提案する。
これは、個々のエージェントダイナミクスと集合分布マッチングのギャップを埋める厳密なラグランジアンフレームワークである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the decentralized non-uniform area coverage problem for multi-agent systems, a critical task in missions with high spatial priority and resource constraints. While existing density-based methods often rely on computationally heavy Eulerian PDE solvers or heuristic planning, we propose Stochastic Density-Driven Optimal Control (D$^2$OC). This is a rigorous Lagrangian framework that bridges the gap between individual agent dynamics and collective distribution matching. By formulating a stochastic MPC-like problem that minimizes the Wasserstein distance as a running cost, our approach ensures that the time-averaged empirical distribution converges to a non-parametric target density under stochastic LTI dynamics. A key contribution is the formal convergence guarantee established via reachability analysis, providing a bounded tracking error even in the presence of process and measurement noise. Numerical results verify that Stochastic D$^2$OC achieves robust, decentralized coverage while outperforming previous heuristic methods in optimality and consistency.
- Abstract（参考訳）: 本稿では,多エージェントシステムにおける分散非一様領域カバレッジ問題,空間的優先度の高いミッションにおける重要な課題,資源制約に対処する。
既存の密度ベース手法は計算量の多いユーレアンPDEソルバやヒューリスティックプランニングに依存することが多いが、確率密度駆動最適制御(D$^2$OC)を提案する。
これは、個々のエージェントダイナミクスと集合分布マッチングのギャップを埋める厳密なラグランジアンフレームワークである。
ランニングコストとしてワッサーシュタイン距離を最小化する確率的MPCライクな問題を定式化することにより、平均的な経験的分布が確率的LTI力学の下での非パラメトリックターゲット密度に収束することを保証する。
重要な貢献は、到達可能性分析によって確立された公式収束保証であり、プロセスや測定ノイズの存在下においても境界追跡誤差を提供する。
Stochastic D$^2$OCは、従来のヒューリスティック手法を最適性と整合性で上回りながら、頑健で分散化されたカバレッジを実現する。
関連論文リスト
- Robust Transfer Learning with Side Information [14.10618869312116]
本研究では,推定中心の不確実性セットを介し,ロバストなターゲットドメインポリシーを導出する環境シフト下での移動のためのフレームワークを提案する。
サイド情報には、特徴モーメント、分布距離、密度比のバウンダリが含まれている。
学習されたロバストポリシーに対する有限サンプル保証を提供し、ロバストな準最適ギャップを分析する。
論文 参考訳（メタデータ） (2026-03-09T03:29:44Z) - Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-01T12:56:10Z) - AI-Augmented Density-Driven Optimal Control (D2OC) for Decentralized Environmental Mapping [0.0]
本稿では,センサと通信の制限下でのマルチエージェント環境マッピングのためのAI拡張型分散フレームワークを提案する。
提案手法では, エージェントが局所密度推定を反復的に洗練できる適応的, 自己補正機構を提案する。
論文 参考訳（メタデータ） (2026-01-28T23:55:02Z) - Improved High-probability Convergence Guarantees of Decentralized SGD [74.39742894097348]
平均二乗誤差(MSE)と同じ条件下で,$mathttDSGD$がHPに収束することを示す。
改良された分析によりユーザ数が線形アップし,$mathttDSGD$がHPの意味で性能を維持していることを示す。
論文 参考訳（メタデータ） (2025-10-07T17:15:08Z) - Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。
私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。
この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
論文 参考訳（メタデータ） (2025-07-14T18:34:10Z) - Steering Large Agent Populations using Mean-Field Schrodinger Bridges with Gaussian Mixture Models [13.03355083378673]
Mean-Field Schrodinger Bridge (MFSB) 問題は、最小の作業制御ポリシーを見つけることを目的とした最適化問題である。
マルチエージェント制御の文脈において、目的は同一の相互作用する協調エージェントの群の構成を制御することである。
論文 参考訳（メタデータ） (2025-03-31T04:01:04Z) - Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport [84.51977664336056]
本研究では、ロバストな連続バリセンタを推定するための新しいスケーラブルなアプローチを提案する。
提案手法は min-max 最適化問題であり,一般的なコスト関数に適用可能である。
論文 参考訳（メタデータ） (2024-10-04T23:27:33Z) - Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。
本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
論文 参考訳（メタデータ） (2023-10-02T11:24:36Z)
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。