論文の概要: Sentinel: Embodied Cooperative Spatial Reasoning and Planning
- arxiv url: http://arxiv.org/abs/2605.26239v1
- Date: Mon, 25 May 2026 18:04:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.303076
- Title: Sentinel: Embodied Cooperative Spatial Reasoning and Planning
- Title（参考訳）: センティネル: 身体的協調型空間推論と計画
- Authors: Xiangye Lin, Hongxin Zhang, Ruxi Deng, Qinhong Zhou, Chuang Gan,
- Abstract要約: 動的環境制約下での協調的空間知能(Cooperative Spatial Intelligence)について検討した。
我々は、複数のエージェントが相互に安全で便利なミーティングポイントに合意するために、自然言語でコミュニケーションしなければならないベンチマークであるSentinel Challengeを紹介する。
本稿では,従来の空間ナビゲーションアルゴリズムの精度で基礎モデルの高レベル通信と計画能力を橋渡しするフレームワークであるCoSaRを提案する。
- 参考スコア（独自算出の注目度）: 29.50555565754175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we study Cooperative Spatial Intelligence, the ability of decentralized embodied agents to coordinate effectively under dynamic environmental constraints across city-scale outdoor domains. We introduce Sentinel Challenge, a benchmark where multiple decentralized embodied agents must communicate in natural language to agree on a mutually safe and convenient meeting point within large, city-scale outdoor environments. Each agent must then navigate safely while avoiding dynamic sentinels patrolling the area, using a tool that provides coarse spatial information. To address this, we propose CoSaR (Cooperative Spatial Reasoning and Planning), a framework that bridges the high-level communication and planning abilities of foundation models with the precision of classical spatial navigation algorithms. CoSaR enables agents to exchange situational updates, reason over evolving spatial constraints, and collaboratively replan trajectories. Evaluated across 14 city-level scenes with 3-5 agents, CoSaR consistently leads to faster gathering, shorter path lengths, and improved safety. Our results demonstrate that integrating dynamic communication with spatial reasoning is essential for robust multi-agent cooperation. By formalizing this new setting and providing a scalable benchmark, we aim to build a foundation for advancing cooperative spatial intelligence in embodied multi-agent systems. Code and challenge are available at https://github.com/UMass-Embodied-AGI/Sentinel.
- Abstract（参考訳）: 本研究では,都市規模の屋外領域にまたがる動的環境制約の下で,分散化エージェントが効果的に協調する能力である協調的空間知能について検討する。
大規模で都市規模の屋外環境において,複数の分散型実施エージェントが相互に安全で便利なミーティングポイントに合意するために,自然言語でコミュニケーションしなければならないベンチマークであるSentinel Challengeを紹介した。
各エージェントは、粗い空間情報を提供するツールを使用して、地域をパトロールする動的なセンチネルを避けながら、安全にナビゲートする必要がある。
これを解決するために,従来の空間ナビゲーションアルゴリズムの精度で基礎モデルの高レベル通信能力と計画能力を橋渡しするフレームワークであるCoSaR(Cooperative Spatial Reasoning and Planning)を提案する。
CoSaRは、エージェントが状況の更新を交換し、空間的制約を進化させ、共同で軌道を計画することを可能にする。
14の都市レベルのシーンを3、5のエージェントで評価し、CoSaRは一貫して、より速い収集、短い経路の長さ、安全性の向上に繋がる。
本研究では,空間的推論と動的コミュニケーションを統合することが,堅牢なマルチエージェント協調に不可欠であることを示す。
この新たな設定を形式化し、スケーラブルなベンチマークを提供することで、具体化されたマルチエージェントシステムにおける協調的空間知能向上のための基盤を構築することを目指している。
コードとチャレンジはhttps://github.com/UMass-Embodied-AGI/Sentinel.comで公開されている。
関連論文リスト
- Space Network of Experts: Architecture and Expert Placement [53.89437186709926]
宇宙データセンターは、エネルギー集約型大規模言語モデル(LLM)を実行するための有望なプラットフォームとして構想されている
しかし、重要な課題の1つは、衛星ネットワークにおける大規模LSMの効率的な分散配置である。
本稿では,広く普及しているMix-of-Experts(MoE)モデルの分散実行を目的としたSpace Network of Experts(Space-XNet)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-01T08:40:31Z) - SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。
スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。
実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-04-20T17:46:20Z) - CoEnv: Driving Embodied Multi-Agent Collaboration via Compositional Environment [54.84167973913561]
CoEnvは、安全な戦略探索のためにシミュレーションを活用するフレームワークであり、信頼性の高い現実世界のデプロイメントを保証する。
CoEnvは、物理的なワークスペースをデジタル化するリアル・ツー・シムのシーン再構築、コードベースの軌道生成によるリアルタイム計画と安全な配置のための衝突検出によるシム・トゥ・リアル転送の両方をサポートするVLM駆動のアクション合成という3つの段階を経験している。
論文 参考訳（メタデータ） (2026-04-07T06:24:41Z) - TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。
我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
論文 参考訳（メタデータ） (2026-03-09T05:52:13Z) - Path Planning Optimisation for SParse, AwaRe and Cooperative Networked Aerial Robot Teams (SpArC-NARTs): Optimisation Tool and Ground Sensing Coverage Use Cases [1.376408511310322]
ネットワーク化された空中ロボットチーム(NART)は、無線リンクで相互接続されたエージェントのグループから構成される。
間欠的(すなわちスパース)であっても、エージェント間のデータ交換を可能にし、協調行動をサポートする。
本稿では,スパース,アウェア,協調型ネットワーク型ロボットチームのための新しい経路計画ツールを提案する。
論文 参考訳（メタデータ） (2026-02-15T17:40:45Z) - IMAGINE: Intelligent Multi-Agent Godot-based Indoor Networked Exploration [0.0]
本稿では,2次元屋内環境における課題に対処するために,MARL(Multi-Agent Reinforcement Learning)を実装した。
政策訓練は、不確実性の下で創発的な協調行動と意思決定を達成することを目的としている。
論文 参考訳（メタデータ） (2026-02-02T22:08:41Z) - ORION: Option-Regularized Deep Reinforcement Learning for Cooperative Multi-Agent Online Navigation [5.834992848353096]
ORIONは、部分的に知られている環境で協調的なマルチエージェントオンラインナビゲーションのための、新しい深層強化学習フレームワークである。
ORIONの中核は、高レベルの協調モードのセットについて推論することを学ぶオプションクリティカルなフレームワークである。
シミュレーションの結果,ORIONは様々なチームサイズに対して高品質でリアルタイムな分散協調を実現することがわかった。
論文 参考訳（メタデータ） (2026-01-03T10:55:10Z) - Performance-Aware Self-Configurable Multi-Agent Networks: A Distributed Submodular Approach for Simultaneous Coordination and Network Design [3.5527561584422465]
本稿では、AlterNAting Coordination and Network-Design Algorithm(Anaconda)を紹介する。
Anacondaはスケーラブルなアルゴリズムで、ほぼ最適性を保証する。
地域モニタリングのシミュレーションシナリオを実演し,それを最先端のアルゴリズムと比較する。
論文 参考訳（メタデータ） (2024-09-02T18:11:33Z) - AI planning in the imagination: High-level planning on learned abstract
search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。
本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文 参考訳（メタデータ） (2023-08-16T22:47:16Z) - AdverSAR: Adversarial Search and Rescue via Multi-Agent Reinforcement
Learning [4.843554492319537]
本稿では,敵対的エージェント間コミュニケーションの存在下で,ロボットの戦略を効率的に調整するアルゴリズムを提案する。
ロボットは対象の場所について事前の知識を持っておらず、隣接するロボットのサブセットのみといつでも対話できると仮定される。
提案手法の有効性は, グリッドワールド環境のプロトタイプで実証した。
論文 参考訳（メタデータ） (2022-12-20T08:13:29Z) - Learning to cooperate: Emergent communication in multi-agent navigation [49.11609702016523]
本稿では,協調ナビゲーションタスクを行うエージェントが,解釈可能な通信プロトコルを学ぶことを示す。
エージェントのポリシーの分析により、創発的信号が状態空間を空間的にクラスタリングすることが明らかになった。
エージェントの集団を用いて,創発的プロトコルは基本構成構造を持つことを示す。
論文 参考訳（メタデータ） (2020-04-02T16:03:17Z)
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。