論文の概要: Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning

• arxiv url: http://arxiv.org/abs/2605.27697v1
• Date: Tue, 26 May 2026 21:17:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.527039
• Title: Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning
• Title（参考訳）: 分散型マルチロボット運動計画のためのシミュレーションインフォームド拡散
• Authors: Jinhao Liang, Sven Koenig, Ferdinando Fioretto,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.240199425429445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decentralized multi-robot motion planning requires each robot to generate collision-free trajectories from local observations, without global sensing or reliable communication. However, most existing planners, whether classical or learning-based, generate trajectories from a static snapshot of the local observation, which limits their ability to anticipate the future behavior of neighboring robots. This limitation is critical as the number of robots increases and the environment becomes more cluttered. To overcome this challenge, this paper introduces Simulation-Informed Diffusion (SID), a decentralized framework built on constraint-aware diffusion models (CADM). SID first uses CADM to simulate the future trajectories of neighboring robots from their currently observed states, and then uses the same CADM to plan each robot's own trajectory under safety constraints informed by these simulations. Crucially, the accurate simulation of neighbors enables a minimal communication scheme that triggers coordination only when necessary in highly congested scenarios. Experiments across diverse environments show that SID consistently outperforms baseline methods in terms of planning effectiveness and constraint satisfaction, and scales to scenarios with 108 robots and 160 obstacles.
• Abstract（参考訳）: 分散されたマルチロボット動作計画では、各ロボットは、グローバルなセンシングや信頼性のある通信なしに、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。 しかし、従来のプランナーの多くは、古典的であれ学習的であれ、局所的な観察の静的スナップショットから軌道を生成するため、近隣のロボットの将来の行動を予測する能力は制限される。 この制限は、ロボットの数が増加し、環境がより散らかっていくにつれて重要となる。 そこで本研究では,制約対応拡散モデル(CADM)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。 SIDはまずCADMを使用して、現在観察されている状態から隣り合うロボットの将来の軌道をシミュレートし、次に同じCADMを使用して、これらのシミュレーションによって通知された安全制約の下で各ロボット自身の軌道を計画する。 重要なことに、隣人の正確なシミュレーションは、高度に混雑したシナリオで必要なときにのみ調整をトリガーする最小限の通信方式を可能にする。 多様な環境における実験により、SIDは計画の有効性と制約満足度において基準的手法を一貫して上回り、108台のロボットと160台の障害物を持つシナリオにスケールする。

関連論文リスト

• Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning [10.967576917866408]
  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。
  論文  参考訳（メタデータ） (2026-05-19T00:18:54Z)
• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• 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)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• 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)
• 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)
• 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。