論文の概要: PRoID: Predicted Rate of Information Delivery in Multi-Robot Exploration and Relaying
- arxiv url: http://arxiv.org/abs/2604.10433v1
- Date: Sun, 12 Apr 2026 03:12:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.014845
- Title: PRoID: Predicted Rate of Information Delivery in Multi-Robot Exploration and Relaying
- Title（参考訳）: PRoID:マルチロボット探査とリレーにおける情報提供の予測速度
- Authors: Seungchan Kim, Seungjae Baek, Micah Corah, Graeme Best, Brady Moon, Sebastian Scherer,
- Abstract要約: ロボットのチームは、ミッションタイムの制限内で、取得した情報を固定基地局に届けなければならない。
主な課題は、各ロボットが探索と中継をやめるべきかどうかを決めることだ。
本稿では,学習した地図予測を用いて各ロボットの今後の情報獲得を推定するリレー基準であるPRoIDを紹介する。
ロボットの生存確率をリレー基準に組み込んだ障害対応拡張であるPRoID-Safeを提案する。
- 参考スコア（独自算出の注目度）: 4.611291264760742
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address Multi-Robot Exploration and Relaying (MRER): a team of robots must explore an unknown environment and deliver acquired information to a fixed base station within a mission time limit. The central challenge is deciding when each robot should stop exploring and relay: this depends on what the robot is likely to find ahead, what information it uniquely holds, and whether immediate or future delivery is more valuable. Prior approaches either ignore the reporting requirement entirely or rely on fixed-schedule relay strategies that cannot adapt to environment structure, team composition, or mission progress. We introduce PRoID (Predicted Rate of Information Delivery), a relay criterion that uses learned map prediction to estimate each robot's future information gain along its planned path, accounting for what teammates are already relaying. PRoID triggers relay when immediate return yields higher information delivery per unit time. We further propose PRoID-Safe, a failure-aware extension that incorporates robot survival probability into the relay criterion, naturally biasing decisions toward earlier relay as failure risk grows. We evaluate on real-world indoor floor plan datasets and show that PRoID and PRoID-Safe outperform fixed-schedule baselines, with stronger relative gains in failure scenarios.
- Abstract（参考訳）: 我々は,Multi-Robot Exploration and Relaying (MRER: Multi-Robot Exploration and Relaying)に対処する。
主な課題は、各ロボットがいつ探索や中継を中止するかを決めることだ。
以前のアプローチでは、レポート要件を完全に無視するか、環境構造やチーム構成、ミッション進捗に適応できない固定スケジュールリレー戦略に依存しています。
PRoID(Predicted Rate of Information Delivery)は、学習地図予測を用いて、各ロボットの今後の情報獲得を計画経路に沿って推定し、チームメイトがすでにリレーしていることを考慮したリレー基準である。
PRoIDはリレーをトリガーし、即時戻りによって単位時間あたりの情報配信が増加する。
さらに,ロボットの生存確率をリレー基準に組み込んだ障害対応拡張であるPRoID-Safeを提案する。
PRoIDとPRoID-Safeは,実際の屋内フロアプランのデータセットを用いて評価し,故障シナリオの相対的な増加が強く,固定スケジュールベースラインよりも優れていることを示す。
関連論文リスト
- RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - SMc2f: Robust Scenario Mining for Robotic Autonomy from Coarse to Fine [8.662817298688147]
RefAVは、大きな言語モデル(LLM)を使用して、空間的かつ時間的にシナリオをローカライズするエンドツーエンドフレームワークである。
SMc2fは、粗い画像テキストフィルタリングに視覚言語モデル(VLM)を使用するパイプラインである。
公開データセットの実験は、検索品質と効率の両方において、かなりの向上を示している。
論文 参考訳（メタデータ） (2026-01-17T11:25:55Z) - No Regrets: Investigating and Improving Regret Approximations for Curriculum Discovery [53.08822154199948]
非教師なし環境設計(UED)手法は、エージェントがイン・オブ・アウト・ディストリビューションタスクに対して堅牢になることを約束する適応的カリキュラムとして近年注目を集めている。
本研究は,既存のUEDメソッドがいかにトレーニング環境を選択するかを検討する。
本研究では,学習性の高いシナリオを直接訓練する手法を開発した。
論文 参考訳（メタデータ） (2024-08-27T14:31:54Z) - LDP: A Local Diffusion Planner for Efficient Robot Navigation and Collision Avoidance [16.81917489473445]
条件拡散モデルは,ロボットポリシーを学習するための効率的なツールとして実証されてきた。
ダイナミックな障害物と迷路のような構造を特徴とする現実シナリオの複雑な性質は、ロボットの局所的なナビゲーション決定の複雑さを浮き彫りにする。
論文 参考訳（メタデータ） (2024-07-02T04:53:35Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳（メタデータ） (2022-08-17T14:19:33Z) - Multi-subgoal Robot Navigation in Crowds with History Information and
Interactions [0.0]
深部強化学習に基づくマルチサブゴアルロボットナビゲーション手法を提案する。
作業中に履歴情報やインタラクションを導入することで,ロボットの次のポジションポイントを計画する。
実験により,本手法は成功率と衝突速度の両方の観点から,最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-05-04T11:24:49Z) - Off-Policy Evaluation with Online Adaptation for Robot Exploration in
Challenging Environments [6.4617907823964345]
本稿では、状態値関数によって測定された「良い」状態がどのようにあるかを学習し、ロボット探査のガイダンスを提供する。
実世界のデータに関するオフラインのモンテカルロトレーニングと、トレーニングされた値推定器を最適化するために時間差分(TD)オンライン適応を実行する。
以上の結果から,ロボットが将来の状態を予測し,ロボット探索の指針となることが示唆された。
論文 参考訳（メタデータ） (2022-04-07T00:46:57Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。