論文の概要: Acting on the Unseen: Communication-Free Collaborative Filtering for Decentralized Multi-Robot Task Allocation

• arxiv url: http://arxiv.org/abs/2605.25584v1
• Date: Mon, 25 May 2026 08:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.478109
• Title: Acting on the Unseen: Communication-Free Collaborative Filtering for Decentralized Multi-Robot Task Allocation
• Title（参考訳）: 目に見えない動作:分散マルチロボットタスク割当のためのコミュニケーション自由協調フィルタリング
• Authors: Alexander Apartsin, Yigal Meshulam, Yehudit Aperstein,
• Abstract要約: 隠れた低ランク構造はどのロボットがどのタスクに合うかを支配しており、ラウンドよりもはるかに多くのタスクがある。 しかし、各ロボットは、ブロードキャスト上でオンラインで低ランクの協調フィルタリングを実行することで、決して試みなかったタスクにうまく対応し、新しいタスクをオンボードで実行することができる。
• 参考スコア（独自算出の注目度）: 43.0484058393522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-robot task allocation usually assumes some combination of communication, known task models, or a coordinator. We study the opposite extreme, a regime common in practice but overlooked in theory, which we name Zero-Knowledge MRTA (ZK-MRTA): a robot team with no prior knowledge (no task models, not even the latent rank), no communication (no messages, no parameter sharing, no coordinator), and only a partial and privately-noisy view of a public stream of teammates' outcomes. A hidden low-rank structure governs which robot suits which task, and there are far more tasks than rounds, so most (robot, task) pairs are never attempted. Yet each robot can act well on tasks it never attempted, and onboard new tasks, by running online low-rank collaborative filtering over the broadcast (SwarmCF). The advantage over any structure-free learner is categorical, not a constant factor: a structure-free learner is provably at the prior-mean error floor on unseen pairs. We prove a matching per-robot sample complexity (Θ(d) versus Θ(n), in the rank d and the task count n), an anytime (cumulative-reward) separation under task scarcity, and a deterministic condition under which decentralized recovery from the masked broadcast is exact (validated empirically). Experiments quantify the value of the broadcast, a positive scaling law (per-robot unseen-pair skill rises with team size), and the strongest masking-robustness and anytime profile among low-rank methods, recovering most (about 80% on earned skill) of a centralized full-communication ceiling, and holding under capacity-1 contention and in a robotics-grounded sensing instance.
• Abstract（参考訳）: マルチロボットタスクアロケーションは通常、通信、既知のタスクモデル、あるいはコーディネータの組み合わせを前提とします。 ZK-MRTA(Zero-Knowledge MRTA:Zero-Knowledge MRTA:ZK-MRTA)という名前のロボットチームは、事前の知識を持たない(タスクモデルがなく、最下位のランクでさえもない)、コミュニケーションがない(メッセージなし、パラメータ共有なし、コーディネータなし)、チームメイトの結果の公開ストリームの部分的かつ私的な視点のみを研究している。 隠れた低ランク構造はどのロボットがどのタスクに合うかを支配しており、ラウンドよりもはるかに多くのタスクが存在するため、ほとんどの(ロボット、タスク)ペアは決して試みられません。 しかし、各ロボットは、ブロードキャスト(SwarmCF)上で、オンラインで低ランクのコラボレーティブフィルタリングを実行することで、これまで試したことのないタスクにうまく対応できる。 構造のない学習者にとっての利点はカテゴリー的であり、定型的ではない:構造のない学習者は、目に見えないペアの前の平均エラーフロアで証明可能である。 本研究は,ロボットごとのサンプルの複雑さ(ランクdとタスク数n),タスク不足下での任意の時間的(累積再帰的)分離,マスク付き放送からの分散回復が正確である決定論的条件(実証的検証)を証明した。 実験では、ブロードキャストの価値、ポジティブなスケーリング法(ロボットごとのアンアイペアスキルはチームサイズで上昇する)、最強のマスキング・ロバスト性およびローランクな方法の時間プロファイルを定量化し、集中型のフルコミュニケーション天井のほとんど(熟練したスキルの約80%)を回復し、キャパシティ1のコンパチオンとロボットの接地型センシングインスタンスで保持する。

関連論文リスト

• CORAL: Scalable Multi-Task Robot Learning via LoRA Experts [49.759823970016974]
  実世界のロボット工学におけるビジョン・ランゲージ・アクション(VLA)モデルは、コアマルチタスク学習の課題を露呈する。 タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントの禁止である。 主にマルチタスク干渉を軽減するために設計されたバックボーンおよび非依存のフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2026-03-10T07:28:41Z)
• Heterogeneous Robot Collaboration in Unstructured Environments with Grounded Generative Intelligence [54.91177026001217]
  大規模言語モデル(LLM)対応のチーム化手法は、よく構造化された既知の環境を前提とするのが一般的である。 異種ロボットチームにおけるLCMの推論能力を基盤として,これらの制約に対処するフレームワークであるSPINE-HTを提案する。 我々のフレームワークは、従来のLLM対応の不均一なチームリング手法と比較して、ほぼ2倍の成功率を達成する。
  論文  参考訳（メタデータ） (2025-10-30T18:24:38Z)
• Using Temperature Sampling to Effectively Train Robot Learning Policies on Imbalanced Datasets [3.342232437547785]
  ロボットタスクの多くのデータセットは、それらが表す物理的なロボット動作に関して、実質的に不均衡である。 この不均衡を緩和する政策訓練のための簡単なサンプリング戦略を提案する。 その結果,従来の最先端手法と比較して,低リソースタスクの大幅な改善が見られた。
  論文  参考訳（メタデータ） (2025-10-22T08:48:55Z)
• COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
  COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。 提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。 実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-23T15:53:41Z)
• Disentangled Attention as Intrinsic Regularization for Bimanual Multi-Object Manipulation [18.38312133753365]
  本稿では,スパース報酬を伴う複数のオブジェクト上での複雑な双方向ロボット操作タスクの解決問題に対処する。 本研究では,2つのロボットが個別のサブタスクとオブジェクトに焦点を合わせるための本質的な正規化を提供する,非絡み合い注意と呼ばれる新しい手法を提案する。 実験結果から,本提案の本質的正則化は支配を回避し,政策の対立を軽減できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T16:53:04Z)

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。