論文の概要: Mind the Gaps: Multi-Robot Feedback-Driven Ergodic Coverage in Unknown Environments
- arxiv url: http://arxiv.org/abs/2605.21719v1
- Date: Wed, 20 May 2026 20:25:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:41.987644
- Title: Mind the Gaps: Multi-Robot Feedback-Driven Ergodic Coverage in Unknown Environments
- Title（参考訳）: Mind the Gaps: 未知の環境でのマルチロボットフィードバック駆動型エルゴディックカバー
- Authors: Thales Costa Silva, Nora Ayanian,
- Abstract要約: 本研究は,ロボットのチームが環境内のデータを収集する位置を連続的に調整することで動的サンプリングを行う,マルチロボット適応型カバレッジの問題に対処する。
本研究では,環境モデルからのリアルタイムフィードバックを利用して,未知条件に応じてロボットのサンプリング行動を調整する適応型カバレッジ戦略を提案する。
我々のフレームワークは、ロボットが関心のある領域を動的に優先順位付けし、カバレッジ効率を向上し、個々のエージェントに対して効果的な制御ポリシーを合成し、未知の事前分布でリソース使用を最適化することを可能にする。
- 参考スコア（独自算出の注目度）: 1.0828616610785522
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this work, we address the problem of multi-robot adaptive coverage, where teams of robots perform dynamic sampling by continuously adjusting their positions to collect data in an environment. This task can be challenging, particularly when robots must be efficiently allocated to new sampling locations over time. Ergodic search methods optimize robot trajectories by ensuring that the robots' time-averaged spatial distribution aligns with the spatial distribution of environmental information. While these methods promote effective exploration provided a target distribution, they often fail to account for unknown prior distributions of the environment. To overcome this limitation, we propose an adaptive coverage strategy that utilizes real-time feedback from an environmental model to adjust robot sampling behavior in response to unknown conditions. Our approach enhances traditional ergodic trajectory optimization by constructing a target spatial information distribution based on parametric models of the environment, which are updated online. This strategy assumes that the environment is either static or changes slowly compared to the robot's motion. Our framework allows robots to dynamically prioritize regions of high interest, improving coverage efficiency, synthesizing effective control policies for individual agents, and optimizing resource use in settings with unknown prior distributions. We validate our approach through simulations, demonstrating its effectiveness in enhancing coverage and resource allocation.
- Abstract（参考訳）: 本研究では,ロボットのチームが環境内のデータを収集する位置を連続的に調整することで動的サンプリングを行うマルチロボット適応型カバレッジの問題に対処する。
このタスクは、特にロボットを時間とともに新しいサンプリング場所へ効率的に割り当てなければならない場合、難しい可能性がある。
エルゴード探索法は,ロボットの時間平均空間分布と環境情報の空間分布との整合性を確保することにより,ロボット軌道の最適化を行う。
これらの手法は効果的な探索を促進するが、しばしば環境の未知の事前分布を考慮できない。
この制限を克服するために,環境モデルからのリアルタイムフィードバックを利用して,未知条件に応じてロボットのサンプリング動作を調整する適応型カバレッジ戦略を提案する。
提案手法は,オンラインに更新された環境のパラメトリックモデルに基づく目標空間情報分布を構築することにより,従来のエルゴード軌道最適化を強化する。
この戦略は、環境が静的であるか、ロボットの動きと比較してゆっくりと変化すると仮定する。
我々のフレームワークは、ロボットが関心のある領域を動的に優先順位付けし、カバレッジ効率を向上し、個々のエージェントに対して効果的な制御ポリシーを合成し、未知の事前分布でリソース使用を最適化することを可能にする。
提案手法をシミュレーションにより検証し,その適用範囲と資源配分の促進効果を実証する。
関連論文リスト
- AD-NODE: Adaptive Dynamics Learning with Neural ODEs for Mobile Robots Control [17.551574806243853]
移動ロボットは、物流から農業まで、様々な分野でますます重要になっている。
これらのシステムは、環境変動に対応することのできる力学モデルを必要とする。
本研究では,直接的な環境知識の必要性を回避できる適応力学モデルを提案する。
論文 参考訳（メタデータ） (2025-10-06T23:14:08Z) - Action Flow Matching for Continual Robot Learning [54.10050120844738]
ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。
本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。
ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
論文 参考訳（メタデータ） (2025-04-25T16:26:15Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。
スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z) - Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Scalable Multi-robot Motion Planning for Congested Environments With
Topological Guidance [2.846144602096543]
マルチロボットモーションプランニング(MRMP)は、連続状態空間におけるロボットの衝突のない経路を見つける問題である。
我々は、トポロジカルガイダンスによって提供される改善された効率を活用するために、既存のシングルロボットモーションプランニング手法を拡張した。
提案手法は,多くの狭い経路を持つ複雑な環境における経路を効率的に計画する能力を示し,既存の方法の最大25倍の大きさのロボットチームに拡張する。
論文 参考訳（メタデータ） (2022-10-13T16:26:01Z) - HARPS: An Online POMDP Framework for Human-Assisted Robotic Planning and
Sensing [1.3678064890824186]
HARPS(Human Assisted Robotic Planning and Sensing)フレームワークは、ロボットチームにおけるアクティブなセマンティックセンシングと計画のためのフレームワークである。
このアプローチにより、人間が不規則にモデル構造を強制し、不確実な環境で意味的なソフトデータの範囲を拡張することができる。
大規模部分構造環境におけるUAV対応ターゲット探索アプリケーションのシミュレーションは、時間と信念状態の推定において著しく改善されている。
論文 参考訳（メタデータ） (2021-10-20T00:41:57Z) - 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) - Scalable Multi-Robot System for Non-myopic Spatial Sampling [9.37678298330157]
本稿では,空間場の非一様サンプリングのためのスケーラブルな分散マルチロボット計画アルゴリズムを提案する。
我々は,複数のロボット間のコミュニケーションがチーム全体のサンプリング性能に与える影響を,独立して分析する。
論文 参考訳（メタデータ） (2021-05-20T20:30:10Z)
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。