Fugu-MT 論文翻訳(概要): Resource-Constrained Robotic Planning in the face of Mixed Uncertainty

論文の概要: Resource-Constrained Robotic Planning in the face of Mixed Uncertainty

arxiv url: http://arxiv.org/abs/2605.05797v1
Date: Thu, 07 May 2026 07:36:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-08 22:27:11.596937
Title: Resource-Constrained Robotic Planning in the face of Mixed Uncertainty
Title（参考訳）: 混在不確かさに直面した資源制約型ロボット計画
Authors: Yihao Yin, Pian Yu, Andrea Turrini, Zhiming Chi, Yong Li, Lijun Zhang,
Abstract要約: 我々は,ロボットが与えられたタスクを遂行する際の動作を誘導し,システムがリソースを無駄にしないようにするための堅牢な戦略の問題を考察する。本稿では,まず,マルコフ消費決定プロセス(CMDPST)として,非決定的行動,定量化,不確実性,資源消費をモデル化した統合フレームワークをモデル化する。
参考スコア（独自算出の注目度）: 17.140580362309322
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robots operate under significant uncertainty, from quantifiable noise to unquantifiable unknowns, and must account for strict operational constraints, such as limited resources. In this paper, we consider the problem of synthesizing robust strategies to guide a robot's actions in fulfilling a given task, while ensuring the system never exhausts its resources. To solve this problem, we first model the robotic system as a Consumption Markov Decision Process with Set-valued Transitions(CMDPST), a unified framework modelling nondeterministic actions, quantifiable and unquantifiable uncertainty, and resource consumption. Then, we combine the CMDPST with the task specification, expressed as a Linear Temporal Logic over finite traces (LTLf ) formula. Lastly, we address the resource constrained optimal robust strategy synthesis problem, which aims to synthesize a strategy that maximizes the probability of satisfying the LTLf objective without resource exhaustion. Our solution involves two techniques: a direct unrolling-based method and a more efficient, optimized approach that leverages state-space pruning for better performance. Experiments on a warehouse transportation network show the effectiveness of the proposed solutions.
Abstract（参考訳）: ロボットは、定量化可能なノイズから定量化できない未知まで、かなりの不確実性の下で動作し、限られた資源のような厳密な運用上の制約を考慮に入れなければならない。本稿では,ロボットが与えられたタスクを遂行する際の動作を誘導し,システムがリソースを消費しないことを保証するために,ロバストな戦略を合成する問題を考察する。この問題を解決するために,まず,設定値遷移を用いた消費マルコフ決定プロセス (CMDPST) としてロボットシステムをモデル化する。次に,有限トレース (LTLf ) 式上の線形時間論理として表されるタスク仕様とCMDPSTを組み合わせる。最後に、資源枯渇を伴わずにLTLf目標を満たす確率を最大化する戦略を合成することを目的として、資源制約付き最適ロバスト戦略合成問題に対処する。我々のソリューションは、直接アンロール方式と、ステートスペースプルーニングを利用したより効率的で最適化されたアプローチの2つの手法を含んでいる。倉庫輸送ネットワークにおける実験は,提案手法の有効性を示す。

関連論文リスト

RRT$^η$: Sampling-based Motion Planning and Control from STL Specifications using Arithmetic-Geometric Mean Robustness [7.121834057343983]
RRT$は,時間点とサブ形式をまたいだロバストネス対策を統合するサンプリングベースの計画フレームワークである。誘導信号が制限されたマルチ制約シナリオにおいて,従来のSTLロバスト性に基づくプランナよりも優れた性能を示す。
論文参考訳（メタデータ） (2026-02-18T19:45:43Z)
Learning specifications for reactive synthesis with safety constraints [9.76292270520872]
我々は、潜在タスクを確率的形式言語としてモデル化し、適切な反応合成フレームワークを導入する。既存のエビデンス駆動のステートアルゴリズムをマージし、学習プロセス全体を通して安全性要件を取り入れます。本手法は,ロボットと環境の相互作用を動的変化を考慮した2人プレイヤゲームとしてモデル化する。
論文参考訳（メタデータ） (2026-01-09T05:17:45Z)
Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文参考訳（メタデータ） (2025-05-13T16:47:00Z)
Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
論文参考訳（メタデータ） (2024-12-21T10:18:55Z)
Frugal inference for control [2.20480252274709]
人工知能の進歩の鍵となる課題は、外部の動きとリソース利用の適切なバランスを達成することである。我々は,POMDPフレームワークのバージョンを開発し,推論によって得られた情報を,タスクのパフォーマンスや動作の労力とともに最適化する必要があるリソースとして扱う。この研究は、脳と機械の両方が不確実性の下で効果的だが資源効率のよい制御に使用できる新しいタイプの有理計算の基礎を提供する。
論文参考訳（メタデータ） (2024-06-20T15:50:38Z)
DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-11T06:31:03Z)
Model-Free Reinforcement Learning for Optimal Control of MarkovDecision Processes Under Signal Temporal Logic Specifications [7.842869080999489]
有限水平マルコフ決定過程に対する最適ポリシーを求めるためのモデルフリー強化学習アルゴリズムを提案する。本稿では,不確実性および性能目標下での複雑なミッションにおけるロボット動作計画の文脈におけるアプローチの有効性について述べる。
論文参考訳（メタデータ） (2021-09-27T22:44:55Z)
Model-Free Learning of Optimal Deterministic Resource Allocations in Wireless Systems via Action-Space Exploration [4.721069729610892]
本稿では,最適パラメータ化資源割り当てポリシーを効率的に学習するための,技術的基盤と拡張性のある2次元勾配法を提案する。提案手法は, 深層ネットワークなどの一般的な普遍表現の勾配を効率よく活用するだけでなく, 低次元摂動により構築された関連するランダムネットワークサービスのゼロ階勾配近似を一貫したゼロ階勾配近似に頼っているため, 真のモデルフリーである。
論文参考訳（メタデータ） (2021-08-23T18:26:16Z)
Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
論文参考訳（メタデータ） (2020-10-21T10:11:17Z)
Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-27T17:38:51Z)
Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。