論文の概要: A Prototyping Framework for Distributed Control of Multi-Robot Systems

• arxiv url: http://arxiv.org/abs/2605.15049v1
• Date: Thu, 14 May 2026 16:44:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.95466
• Title: A Prototyping Framework for Distributed Control of Multi-Robot Systems
• Title（参考訳）: マルチロボットシステムの分散制御のためのプロトタイピングフレームワーク
• Authors: Junaid Ahmed Memon, Allan Andre Do Nascimento, Kostas Margellos, Antonis Papachristodoulou,
• Abstract要約: 本稿では,マルチロボットシステムの分散制御のためのプロトタイピングフレームワークを提案する。 Single Program, Multiple Data (SPMD) パラダイムを用いて、このフレームワークは単一のコンピュータ上で分散制御をエミュレートする。 我々は,非協調型ゲーム理論分散アルゴリズムを用いて,4つのクワッドロータ位置スワッピングタスクのフレームワークを実演する。
• 参考スコア（独自算出の注目度）: 0.9449650062296823
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a prototyping framework for distributed control of multi-robot systems, aimed at bridging theory and practical testing of distributed optimization algorithms. Using the Single Program, Multiple Data (SPMD) paradigm, the framework emulates distributed control on a single computer, with each core running the same algorithm using local states and neighbour-to-neighbour communication. We demonstrate the framework on a four-quadrotor position-swapping task using a non-cooperative game-theoretic distributed algorithm. Computational time and trajectory data are compared across the supported dynamics levels: a point-mass model, a high-fidelity quadrotor model, and an experimental hardware testbed using Crazyflie quadcopters. The results show that the framework provides a low-cost and accessible approach for validating distributed algorithms.
• Abstract（参考訳）: 本稿では,分散最適化アルゴリズムのブリッジング理論と実践的テストを目的とした,マルチロボットシステムの分散制御のためのプロトタイピングフレームワークを提案する。 単一のプログラム、複数データ(SPMD)パラダイムを用いて、フレームワークは単一のコンピュータ上で分散制御をエミュレートし、各コアがローカル状態と近隣通信を使用して同じアルゴリズムを実行する。 我々は,非協調型ゲーム理論分散アルゴリズムを用いて,4つのクワッドロータ位置スワッピングタスクのフレームワークを実演する。 計算時間と軌道データは、ポイント質量モデル、高忠実度四重項モデル、クレイジーフリークワッドコプターを用いた実験ハードウェアテストベッドなど、支持された力学レベルにわたって比較される。 その結果、このフレームワークは分散アルゴリズムを検証するための低コストでアクセスしやすいアプローチを提供することがわかった。

関連論文リスト

• ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion [3.5507574265100854]
  本稿では,制御障壁関数(CBF)を制約とした完全分散モデル予測制御(MPC)フレームワークを提案する。 提案するフレームワークは,四足歩行ロボットのための階層型移動制御アーキテクチャに統合される。
  論文  参考訳（メタデータ） (2026-03-19T17:25:33Z)
• Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
  本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。 モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:10:14Z)
• Single-Trajectory Distributionally Robust Reinforcement Learning [21.955807398493334]
  本研究では,分散ロバストRL (DRRL) を提案する。 既存のDRRLアルゴリズムはモデルベースか、1つのサンプル軌道から学習できないかのいずれかである。 単一軌道を用いた分散ロバストQ-ラーニング(DRQ)と呼ばれる,完全モデルフリーなDRRLアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-01-27T14:08:09Z)
• On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
  バイレベル最適化は、幅広い機械学習モデルに適用されている。 既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。 そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-06-30T05:29:52Z)
• Comparative analysis of machine learning methods for active flow control [60.53767050487434]
  遺伝的プログラミング(GP)と強化学習(RL)はフロー制御において人気を集めている。 この研究は2つの比較分析を行い、地球規模の最適化手法に対して最も代表的なアルゴリズムのいくつかをベンチマークする。
  論文  参考訳（メタデータ） (2022-02-23T18:11:19Z)
• Asynchronous Distributed Reinforcement Learning for LQR Control via Zeroth-Order Block Coordinate Descent [7.6860514640178]
  分散強化学習のための新しいゼロ階最適化アルゴリズムを提案する。 これにより、各エージェントはコンセンサスプロトコルを使わずに、コスト評価を独立してローカル勾配を推定できる。
  論文  参考訳（メタデータ） (2021-07-26T18:11:07Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。