論文の概要: Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning
- arxiv url: http://arxiv.org/abs/2605.19209v1
- Date: Tue, 19 May 2026 00:18:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.040313
- Title: Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning
- Title（参考訳）: マルチロボット通信制約非ラベル動作計画のためのグラフニューラルプランニングと予測制御
- Abstract要約: グラフアテンションプランナー(GATP)と分散モデル予測制御器(NMPC)を組み合わせた階層型フレームワークを提案する。
大規模チームへの一般化の改善,200msまでの通信遅延の堅牢性,および非集中型オンボード・クオータによる実用的な実現可能性を示す。
- 参考スコア（独自算出の注目度）: 10.967576917866408
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The multi-robot unlabeled motion planning problem of concurrently assigning robots to goals and generating safe trajectories is central in many collaborative tasks. Recent Graph Neural Network methods offer scalable decentralized solutions but rely on simplified dynamics and simulation environments, overlooking key challenges of real-world deployment such as dynamic feasibility and communication constraints. To address these gaps, we propose a hierarchical framework that combines a Graph ATtention Planner (GATP) with a decentralized Nonlinear Model Predictive Controller (NMPC). GATP provides intermediate subgoals through multi-robot cooperation, and the NMPC enforces safety under nonlinear dynamics and actuation constraints. We evaluate our framework in both simulation and real-world quadrotor experiments. Thanks to attention mechanisms and minimal communication requirements, we demonstrate improved generalization to larger teams, robustness to communication delays up to 200 ms and practical feasibility with decentralized on-board inference.
- Abstract（参考訳）: ロボットを目標に同時配置し,安全な軌道を生成するマルチロボット非ラベル動作計画問題は,多くの協調作業において中心的な課題である。
最近のグラフニューラルネットワーク手法は、スケーラブルな分散ソリューションを提供するが、動的実現性や通信制約といった現実的なデプロイメントにおける重要な課題を見越して、単純化されたダイナミクスとシミュレーション環境に依存している。
これらのギャップに対処するため,グラフアテンションプランナ(GATP)と非分散非線形モデル予測制御器(NMPC)を組み合わせた階層型フレームワークを提案する。
GATPはマルチボット協力を通じて中間的なサブゴールを提供し、NMPCは非線形ダイナミクスとアクティベーション制約の下で安全性を強制する。
シミュレーションおよび実世界の四重項実験において,本フレームワークの評価を行った。
注意機構と最小限のコミュニケーション要件により、大規模チームへの一般化の改善、200ミリ秒までの通信遅延に対する堅牢性、および分散オンボード推論による実用的な実現可能性を示す。
関連論文リスト
- From Non-Rigid to Rigid: Safe Acquisition of Rigid Communication Graphs under Limited Sensing [1.8619748472447968]
本稿では,ロボット間衝突のない,剛性のある時間変化通信グラフを実現する方法を提案する。
提案手法は,非線形マルチロボットシステムのための剛性グラフの実現を保証する。
論文 参考訳（メタデータ） (2026-07-11T07:20:20Z) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T21:17:53Z) - Higher Order Reasoning for Collaborative Communicationless Mobile Robot Operations [4.239775815863115]
コミュニケーションのない環境では、多くの協調戦略が想定する一定の情報交換がなければ、マルチロボットシステムは動作しなければなりません。
本稿では,ロボット間の高次推論による暗黙的な協調と長期水平計画を可能にする,新しい動的疫学計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-21T02:22:09Z) - Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。
タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。
我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-22T22:58:47Z) - ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。
本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
論文 参考訳（メタデータ） (2026-03-07T08:06:51Z) - Hierarchical Trajectory Planning of Floating-Base Multi-Link Robot for Maneuvering in Confined Environments [9.325443556436436]
浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動
本研究は,グローバルガイダンスと設定対応ローカル最適化を統合した階層的軌道計画フレームワークを導入する。
我々の知る限りでは、これは実際のロボットで実証された浮動小数点移動型マルチリンクロボットのための最初の計画フレームワークである。
論文 参考訳（メタデータ） (2026-02-25T22:49:54Z) - Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。
この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。
この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
論文 参考訳（メタデータ） (2024-09-29T23:57:25Z) - A Scalable Multi-Robot Framework for Decentralized and Asynchronous Perception-Action-Communication Loops [72.1902268440158]
グローバルな目的を達成するため,大規模なロボット群における協調作業は,大規模環境における課題である。
ロボットはパーセプション・アクション・コミュニケーションループを実行し、ローカル環境を認識し、他のロボットと通信し、リアルタイムで行動を起こす必要がある。
近年では、フロッキングやカバレッジ制御などのアプリケーションでグラフニューラルネットワーク(GNN)を使用してこの問題に対処している。
本稿では、分散化されたGNNを用いてナビゲーション動作を計算し、通信のためのメッセージを生成するロボット群における非同期PACフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-18T21:20:50Z) - 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) - Graph Neural Networks for Decentralized Multi-Robot Submodular Action
Selection [101.38634057635373]
ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。
分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。
大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
論文 参考訳（メタデータ） (2021-05-18T15:32:07Z) - Learning Interaction-Aware Trajectory Predictions for Decentralized
Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。
次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
論文 参考訳（メタデータ） (2021-02-10T11:11:08Z)
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。