論文の概要: Greedy Kalman-Swarm: Improving State Estimation in Robot Swarms in Harsh Environments
- arxiv url: http://arxiv.org/abs/2604.16868v1
- Date: Sat, 18 Apr 2026 06:33:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 13:54:57.357374
- Title: Greedy Kalman-Swarm: Improving State Estimation in Robot Swarms in Harsh Environments
- Title（参考訳）: Greedy Kalman-Swarm: ハーシュ環境におけるロボット群の状態推定の改善
- Authors: Phunyapa Suksomboon, Paulo Garcia,
- Abstract要約: 分散状態推定に対する局所的「欲求的」なアプローチにより、個々のロボットが、完全なデータ可用性やグローバル通信を必要とせずに、ロボット間の相対的センシングを利用して精度を向上させることができることを示す。
以上の結果から,予測不可能な地形における群集結束を維持するためのスケーラブルな枠組みとして,グローバルな状態認識が実現可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State estimation is a fundamental requirement in robotics, where the accurate determination of a robot's state is essential for stable operation despite inherent process disturbances and sensor noise. Traditionally, this is achieved through Kalman filtering, providing a statistically optimal estimate by balancing predictive models with noisy measurements. In the context of robotic swarms, the challenge shifts from individual accuracy to collective coordination, where the integration of global dynamics can significantly enhance the precision of the entire group. Existing estimation techniques rely on centralized processing or heavy communication protocols to reach a global consensus, which are frequently impractical in real-world deployments. Here we show that a localized, "greedy" approach to distributed state estimation (termed "Greedy Kalman-Swarm") allows individual robots to leverage relative inter-robot sensing for improved accuracy without requiring full data availability or global communication. Simulations in communication-constrained environments show robots can effectively integrate all currently available neighbor data at each iteration to refine their internal states, yet remain robust and functional even when data is missing. This results in a performance profile that strikes a balance between the low overhead of independent estimation and the high accuracy of centralized systems, specifically under harsh or dynamic environmental conditions. Our results demonstrate that global state awareness can be emergent rather than enforced, providing a scalable framework for maintaining swarm cohesion in unpredictable terrains. We anticipate that this decentralized methodology will serve as a foundation for more resilient autonomous systems, particularly in search-and-rescue or space exploration missions where reliable, high-bandwidth communication cannot be guaranteed.
- Abstract（参考訳）: 状態推定はロボット工学の基本的な要件であり、ロボットの状態の正確な決定は、固有のプロセス障害やセンサーノイズにもかかわらず、安定した動作に不可欠である。
伝統的に、これはカルマンフィルタによって達成され、ノイズ測定を伴う予測モデルのバランスをとることで統計的に最適な推定を提供する。
ロボット群(英語版)の文脈では、課題は個々の精度から集合的調整へとシフトし、グローバルダイナミクスの統合はグループ全体の精度を大幅に向上させる。
既存の推定手法は、グローバルなコンセンサスに到達するために中央集権的な処理や重い通信プロトコルに依存しており、これは実世界の展開においてしばしば非現実的である。
ここでは、分散状態推定(Greedy Kalman-Swarmと呼ばれる)に対する局所的な「欲求的」アプローチにより、個々のロボットが、完全なデータ可用性やグローバル通信を必要とせずに、相対的なロボット間センシングを有効活用できることを示す。
通信制約のある環境でのシミュレーションでは、ロボットは各イテレーションで現在利用可能なすべての隣のデータを効果的に統合し、内部状態を洗練できるが、データが欠落している場合でも堅牢で機能的である。
この結果、特に厳しい環境条件や動的環境条件下で、独立推定の低オーバーヘッドと集中システムの高精度のバランスをとる性能プロファイルが得られた。
以上の結果から,予測不可能な地形における群集結束を維持するためのスケーラブルな枠組みとして,グローバルな状態認識が実現可能であることが示唆された。
我々は,この分散化手法が,信頼性の高い高帯域通信を保証できない検索・救助・宇宙探査ミッションにおいて,よりレジリエントな自律システムの基盤となることを期待する。
関連論文リスト
- FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。
現在の最先端のボット検出モデルは、主に独立して開発されている。
クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
論文 参考訳（メタデータ） (2026-04-12T15:13:41Z) - ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation [66.02142169323521]
Vision-Language-ActionモデルとWorld Modelは最近、汎用ロボットインテリジェンスのための有望なパラダイムとして登場した。
既存のベンチマークは、主にシミュレータ中心であり、制御性を提供するが、知覚ノイズによって引き起こされる現実のギャップを捉えることができない。
シミュレーションと実世界の実行を橋渡しする標準化された評価フレームワークであるManipArenaを紹介する。
論文 参考訳（メタデータ） (2026-03-30T15:06:41Z) - Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion [0.4316181399175028]
分散協調型ローカライゼーションは,GPSを用いた環境下で動作する非ホロノミック移動ロボットにとって有望なアプローチである。
本稿では,拡張カルマンフィルタを用いて,各ロボットが局所的なローカライズを行うフレームワークを提案する。
また、静的環境特徴と移動ロボットの両方を動的ランドマークとして活用するデュアルランドマーク評価フレームワークを導入する。
論文 参考訳（メタデータ） (2026-03-12T15:42:59Z) - Decentralized and Fully Onboard: Range-Aided Cooperative Localization and Navigation on Micro Aerial Vehicles [7.827829335706731]
本研究では,地域支援型分散型ローカライゼーションと形成制御の課題について考察する。
各ロボットは、その相対的なポーズを、搭載されたオドメーターセンサーからのデータと、チーム内の他のロボットとの距離測定だけを組み合わせて推定する。
本稿では,ロボット間の厳密な協調を必要としない局所化に対するブロック座標降下手法を提案する。
論文 参考訳（メタデータ） (2026-02-18T16:46:15Z) - A General Purpose Method for Robotic Interception of Non-Cooperative Dynamic Targets [0.0]
本稿では,動的,非協調的対象の自律的,視覚に基づくインターセプションのための汎用的枠組みを提案する。
このアプローチは、ターゲット追跡のためのフィデューシャルを備えた単眼カメラにのみ依存し、ローカルなオブザーバフレームで完全に動作する。
シミュレーションおよび物理実験の結果は、低いインターセプション誤差で堅牢な性能を示す。
論文 参考訳（メタデータ） (2025-12-23T21:14:03Z) - Holistic Fusion: Task- and Setup-Agnostic Robot Localization and State Estimation with Factor Graphs [19.359422457413576]
この研究は、タスクとセットアップに依存しないマルチモーダルセンサー融合のための柔軟なオープンソースソリューションを導入している。
ホロスティックフュージョン (HF) は, 局所的および大域的ロボット状態と, 動的文脈変数の(理論的に無制限な)数との組合せとして, センサフュージョンを定式化する。
HFは、一般的なロボットハードウェア上で低レイテンシかつスムーズなオンライン状態推定を可能にし、同時にIMU測定速度で低ドリフトグローバルなローカライゼーションを提供する。
論文 参考訳（メタデータ） (2025-04-08T22:54:52Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。
スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z) - HARPS: An Online POMDP Framework for Human-Assisted Robotic Planning and
Sensing [1.3678064890824186]
HARPS(Human Assisted Robotic Planning and Sensing)フレームワークは、ロボットチームにおけるアクティブなセマンティックセンシングと計画のためのフレームワークである。
このアプローチにより、人間が不規則にモデル構造を強制し、不確実な環境で意味的なソフトデータの範囲を拡張することができる。
大規模部分構造環境におけるUAV対応ターゲット探索アプリケーションのシミュレーションは、時間と信念状態の推定において著しく改善されている。
論文 参考訳（メタデータ） (2021-10-20T00:41:57Z) - 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)
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。