論文の概要: Energy-Efficient Multi-Robot Coverage Path Planning of Non-Convex Regions of Interests
- arxiv url: http://arxiv.org/abs/2604.22189v1
- Date: Fri, 24 Apr 2026 03:33:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.327421
- Title: Energy-Efficient Multi-Robot Coverage Path Planning of Non-Convex Regions of Interests
- Title（参考訳）: 利害関係の非凸領域におけるエネルギー効率の良いマルチロボット被覆経路計画
- Authors: Sourav Raxit, Jose Fuentes, Paulo Padrao, Abdullah Al Redwan Newaz, Md Tamjidul Hoque, Mark Kulp, Leonardo Bobadilla,
- Abstract要約: 本稿では,エネルギー効率の高いマルチロボット・カバレッジ・プランニング・フレームワークを提案する。
提案したRCPPフレームワークは、自律型航空車両(AAV)と自律型表面車両(ASV)を含む実世界の実験を通じて実証される。
評価の結果,提案したRCPPは,3台のロボットのチームで全体のエネルギー消費を3%から40%削減し,時間消費を桁違いに削減できることがわかった。
- 参考スコア（独自算出の注目度）: 1.2145532233226681
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This letter presents an energy-efficient multi-robot coverage path planning (MRCPP) framework for large, nonconvex Regions of Interest (ROI) containing obstacles and no-fly zones (NFZ). Existing minimum-energy coverage planning algorithms utilize meta-heuristic boustrophedon workspace decomposition. Therefore, even with minimum energy objectives and energy consumption constraints, they cannot achieve optimal energy efficiency. Moreover, most existing frameworks support only a single type of robotic platform. MRCPP overcomes these limitations by: generating globally-informed swath generation, creating parallel sweeping paths with minimal turns, calculating safety buffers to ensure safe turning clearance, using an efficient mTSP solver to balance workloads and minimize mission time, and connecting disjoint segments via a modified visibility graph that tracks heading angles while maintaining transitions within safe regions. The efficacy of the proposed MRCPP framework is demonstrated through real-world experiments involving autonomous aerial vehicles (AAVs) and autonomous surface vehicles (ASVs). Evaluations demonstrate that the proposed MRCPP consistently outperforms state-of-the-art planners, reducing average total energy consumption by 3\% to 40\% for a team of 3 robots and computation time by an order of magnitude, while maintaining balanced workload distribution and strong scalability across increasing fleet sizes. The MRCPP framework is released as an open-source package and videos of real-world and simulated experiments are available at https://mrc-pp.github.io.
- Abstract（参考訳）: 本報告では, 干渉の非凸領域 (ROI) に対して, 障害物や飛行禁止領域 (NFZ) を含むエネルギー効率の高いMRCPP (Multi-robot coverage path planning) フレームワークを提案する。
既存の最小エネルギーカバレッジ計画アルゴリズムはメタヒューリスティックなブーストロフェドンワークスペース分解を利用する。
したがって、最小限のエネルギー目標とエネルギー消費制約があっても、最適なエネルギー効率は達成できない。
さらに、既存のフレームワークのほとんどは、単一のタイプのロボットプラットフォームのみをサポートしている。
MRCPPはこれらの制限を克服し、グローバルにインフォームされたSwath生成を生成し、最小ターンで並列スイーピングパスを生成し、安全バッファを計算して安全なターンクリアランスを確保する、効率的なmTSPソルバを使用してワークロードのバランスとミッションタイムを最小化、そして安全な領域内での遷移を維持しながら角度を追尾する修正された可視グラフを介して、解離セグメントを接続する。
MRCPPフレームワークの有効性は、自律型航空車両(AAV)と自律型表面車両(ASV)を含む実世界の実験を通じて実証される。
評価の結果,提案したRCPPは,3台のロボットで平均エネルギー消費量を3倍から40倍に削減し,計算時間を桁違いに削減し,バランスの取れたワークロードの分散と高いスケーラビリティを保ちながら,常に最先端のプランナーよりも優れていた。
MRCPPフレームワークはオープンソースパッケージとしてリリースされ、実世界のビデオとシミュレーション実験のビデオがhttps://mrc-pp.github.ioで公開されている。
関連論文リスト
- Carbon-aware decentralized dynamic task offloading in MIMO-MEC networks via multi-agent reinforcement learning [0.7373617024876725]
本稿では,マルチエージェントポリシー最適化に基づく炭素対応分散動的タスクオフロードフレームワークCADDTO-PPOを提案する。
このフレームワークは最低炭素強度を達成し、極端な交通負荷下では、ほぼゼロに近いオーバーフロー速度を維持する。
論文 参考訳（メタデータ） (2026-02-21T11:07:11Z) - Reinforcement Learning-Based Energy-Aware Coverage Path Planning for Precision Agriculture [6.218614094739671]
本稿では,SAC(Soft Actor-Critic)強化学習に基づくエネルギー対応CPPフレームワークを提案する。
エネルギー制限下での堅牢で適応的な意思決定を可能にするため、このフレームワークは空間的特徴抽出のためにCNN(Conal Neural Networks)を統合している。
専用報酬関数は、カバレッジ効率、エネルギー消費、ベース間のリターン制約を共同で最適化するように設計されている。
論文 参考訳（メタデータ） (2026-01-23T02:33:14Z) - The Bulldozer Technique: Efficient Elimination of Local Minima Traps for APF-Based Robot Navigation [2.612627266839037]
本稿では,局所ミニマ問題に対処する新たな経路計画手法であるブルドーザーを提案する。
提案手法は,複雑度を増した様々なマップにまたがる物理移動ロボットを用いて実験的に検証する。
以上の結果から,ブルドーザー法は,より優れた実行速度と競合パス品質を実現しつつ,局所最小化問題を効果的に解決することを示した。
論文 参考訳（メタデータ） (2025-12-29T18:28:51Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Multi-Waypoint Path Planning and Motion Control for Non-holonomic Mobile Robots in Agricultural Applications [0.0]
無人移動ロボットは、非構造農業環境をナビゲートできるという需要が高まっている。
草地における雑草制御のようなタスクは、順序のない座標の集合を通して効率的な経路計画を必要とする。
本稿では,Dubins Traveling Salesman問題に基づくグローバルパスプランナを組み合わせた統合ナビゲーションフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-31T08:56:24Z) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Risk-aware Integrated Task and Motion Planning for Versatile Snake Robots under Localization Failures [6.250953826294371]
スネークロボットは、地球と宇宙の応用において、極端な地形や制限された環境を通して移動を可能にする。
この問題に対処するために、間欠的にスケジューリングされたスコープ(BLISS)を用いたブラインドモーションを提案する。
BLISSは、プロピロセプションのみのモビリティと間欠的なスキャンを組み合わせることで、ローカライゼーション障害と衝突リスクの両方に対して耐性がある。
論文 参考訳（メタデータ） (2025-02-27T02:02:51Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。