論文の概要: Modular Reinforcement Learning For Cooperative Swarms

• arxiv url: http://arxiv.org/abs/2605.04939v1
• Date: Wed, 06 May 2026 14:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.857162
• Title: Modular Reinforcement Learning For Cooperative Swarms
• Title（参考訳）: 協調集団のためのモジュール強化学習
• Abstract要約: 協調ロボット群は、共通の目標を共有する計算に制限されたロボットの集合体である。 分散マルチエージェント強化学習の最近の進歩は、ロボットが他の人と効果的に対話する方法を学ぶことが可能であることを実証している。 本稿では,Swarmにおける強化学習のための空間的相互作用状態を表現するための代替手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A cooperative robot swarm is a collective of computationally-limited robots that share a common goal. Each robot can only interact with a small subset of its peers, without knowing how this affects the collective utility. Recent advances in distributed multi-agent reinforcement learning have demonstrated that it is possible for robots to learn how to interact effectively with others, in a manner that is aligned with the common goal, despite each robot learning independently of others. However, this requires each robot to represent a potentially combinatorial number of interaction states, challenging the memory capabilities of the robots. This paper proposes an alternative approach for representing spatial interaction states for multi-robot reinforcement learning in swarms. A modular (decomposed) representation is used, where each feature of the state is handled by a separate learning procedure, and the results aggregated. We demonstrate the efficacy of the approach in numerous experiments with simulated robot swarms carrying out foraging.
• Abstract（参考訳）: 協調ロボット群は、共通の目標を共有する計算に制限されたロボットの集合体である。 それぞれのロボットは、それが集団的ユーティリティにどのように影響するかを知らずに、その仲間の小さなサブセットとしか対話できない。 分散マルチエージェント強化学習の最近の進歩は、ロボットが他と独立して学習しているにもかかわらず、共通の目標に沿った方法で、ロボットが他人と効果的に対話する方法を学ぶことが可能であることを実証している。 しかし、これによって各ロボットは、ロボットのメモリ能力に挑戦する、潜在的に組み合わせた数の相互作用状態を表現する必要がある。 本稿では,Swarmにおけるマルチロボット強化学習のための空間的相互作用状態を表現するための代替手法を提案する。 モジュール(分解された)表現を使用し、状態の各特徴を独立した学習手順で処理し、結果を集約する。 本研究は, ロボット群を模擬して採餌を行う実験において, 本手法の有効性を実証する。

関連論文リスト

• Autonomous Human-Robot Interaction via Operator Imitation [3.650193138379926]
  我々は、オペレーターデータを模倣するモデルを訓練することで、自律的な対話型ロボットを作成することを提案する。 我々のモデルは人間とロボットの相互作用のデータセットに基づいて訓練されている。 提案手法は,専門家-オペレーターのベースラインに匹敵する,単純で自律的な人間-ロボットの相互作用を可能にする。
  論文  参考訳（メタデータ） (2025-04-03T16:06:44Z)
• Generalized Robot Learning Framework [10.03174544844559]
  本稿では,様々なロボットや環境に容易に再現可能かつ伝達可能な,低コストなロボット学習フレームワークを提案する。 我々は,産業用ロボットにおいても,デプロイ可能な模倣学習をうまく適用できることを実証した。
  論文  参考訳（メタデータ） (2024-09-18T15:34:31Z)
• Correspondence learning between morphologically different robots via task demonstrations [2.1374208474242815]
  形態の異なる2つ以上のロボットの対応関係を学習する手法を提案する。 本提案手法では,関節制御付き固定ベースマニピュレータロボットと差動駆動移動ロボットとが対応可能である。 本研究では,実際のマニピュレータロボットとシミュレートされた移動ロボットとの対応学習の概念実証を行う。
  論文  参考訳（メタデータ） (2023-10-20T12:42:06Z)
• ImitationNet: Unsupervised Human-to-Robot Motion Retargeting via Shared Latent Space [9.806227900768926]
  本稿では,ロボットの動きに対する新しいディープラーニング手法を提案する。 本手法では,新しいロボットへの翻訳を容易にする,人間とロボットのペアデータを必要としない。 我々のモデルは、効率と精度の観点から、人間とロボットの類似性に関する既存の研究よりも優れています。
  論文  参考訳（メタデータ） (2023-09-11T08:55:04Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Generalizable Human-Robot Collaborative Assembly Using Imitation Learning and Force Control [17.270360447188196]
  本稿では,実演から学び,ポーズ推定を用いたロボット協調組立システムを提案する。 提案システムでは, ロボット組立シナリオにおいて, 物理的6DoFマニピュレータを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-12-02T20:35:55Z)
• A Capability and Skill Model for Heterogeneous Autonomous Robots [69.50862982117127]
  機能モデリングは、異なるマシンが提供する機能を意味的にモデル化するための有望なアプローチと考えられている。 この貢献は、製造から自律ロボットの分野への能力モデルの適用と拡張の仕方について考察する。
  論文  参考訳（メタデータ） (2022-09-22T10:13:55Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• Spatial Computing and Intuitive Interaction: Bringing Mixed Reality and Robotics Together [68.44697646919515]
  本稿では,空間コンピューティングを応用し,新しいロボットのユースケースを実現するためのロボットシステムについて述べる。 空間コンピューティングとエゴセントリックな感覚を複合現実感デバイスに組み合わせることで、人間の行動をキャプチャして理解し、それらを空間的な意味を持つ行動に変換することができる。
  論文  参考訳（メタデータ） (2022-02-03T10:04:26Z)
• Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
  多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。 本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。 我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
  論文  参考訳（メタデータ） (2021-09-19T18:00:51Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。