論文の概要: Structured interactions improve distributed coordination beyond model scaling in a real-world multi-robot system

• arxiv url: http://arxiv.org/abs/2605.30383v1
• Date: Thu, 28 May 2026 03:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.128593
• Title: Structured interactions improve distributed coordination beyond model scaling in a real-world multi-robot system
• Title（参考訳）: 実世界のマルチロボットシステムにおける構造的相互作用はモデルスケーリングを超えて分散協調を改善する
• Authors: Junping Wang, Zhizhong Zhang, Yongqiang Tang, Geng Zheng, Jiaming Zhang, Shiji Song, Yanmei Li, Yushan Ma,
• Abstract要約: 実世界のマルチロボット協調におけるシステムレベルの設計問題について検討する。 ロボット間のコミュニケーションの再構築は、車載モデルのサイズを増大させるよりも大きな利益をもたらすか? 完全連結からモジュラー階層的相互作用への切り替えは47点(0-100)の正規化性能を改善する
• 参考スコア（独自算出の注目度）: 48.701675182639
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Scaling individual robot capabilities is common but costly. Here we investigate a system-level design question in real-world multi-robot coordination: given matched hardware budgets, does restructuring communication among robots yield larger gains than increasing onboard model size? Using a representative transport-and-mapping task with 10 physical robots (5 runs per condition, 60 runs total), we find that switching from fully connected to modular hierarchical interactions improves normalised performance by 47 points (0--100), whereas doubling neural network hidden size yields at most 9 points. Nested mixed-effects model comparisons show a substantially larger improvement in model fit for topology than for scale. The pattern is confirmed in independent SMAC replications; heterogeneous benchmark reanalyses provide secondary supporting consistency checks rather than primary evidence. Performance saturation beyond 1024 hidden units is observed in simulation-calibrated extrapolation, not directly on hardware. These results indicate that interaction structure can play a dominant role within the tested system and task setting, while broader quantitative generalisation remains to be established.
• Abstract（参考訳）: 個々のロボットの能力のスケーリングは一般的だがコストがかかる。 ここでは,実世界のマルチロボット協調におけるシステムレベルの設計問題について考察する:一致するハードウェア予算を考えると,ロボット間の通信の再構築は,車載モデルサイズの増加よりも大きな利益をもたらすか? 10個の物理ロボットによる代表的トランスポート・アンド・マッピングタスク(条件当たり5回、総実行回数60回)を用いて、完全に接続された階層的相互作用への切り替えにより、正規化性能が47ポイント(0-100)向上するのに対し、ニューラルネットワークの隠蔽サイズが最大9ポイント向上することがわかった。 密接な混合効果モデルの比較では、スケールよりもトポロジに適合するモデルの方が大幅に改善されている。 このパターンは独立したSMAC複製で確認され、不均一なベンチマーク解析は一次証拠ではなく二次的なサポート一貫性チェックを提供する。 1024個の隠蔽ユニットを超える性能飽和は、直接ハードウェア上でではなく、シミュレーション校正外挿で観察される。 これらの結果は、相互作用構造がテストシステムやタスク設定において支配的な役割を果たすことを示す一方、より広範な定量的一般化は確立されていないことを示している。

関連論文リスト

• MorphoGuard: A Morphology-Based Whole-Body Interactive Motion Controller [8.867753335261563]
  本研究では,任意の接触の組み合わせを明示的に管理する新しい制御手法を提案する。 我々は、自己構築型デュアルアーム物理・シミュレーションプラットフォームで訓練された形態制約型WBCネットワーク(MorphoGuard)を開発した。 実験の結果,提案手法は約1cmの接触点管理誤差を達成し,全身対話制御の有効性を示した。
  論文  参考訳（メタデータ） (2026-04-02T01:13:29Z)
• MorFiC: Fixing Value Miscalibration for Zero-Shot Quadruped Transfer [50.54752207285298]
  異なる形態を持つ四足歩行ロボット間で学習された移動ポリシーを一般化することは、依然として課題である。 単一共有ポリシを用いたゼロショットクロスモルフォロジーロコモーションのための強化学習手法であるMorFiCを提案する。 また,MorFiCは,形態素間の値予測誤差の分散を低減し,有利な推定値を安定化することを示した。
  論文  参考訳（メタデータ） (2026-03-15T19:03:34Z)
• Shape Control of a Planar Hyper-Redundant Robot via Hybrid Kinematics-Informed and Learning-based Approach [42.55947704321053]
  ハイパー冗長ロボットは、厳密で非構造的な環境での操作をうまく行うことができる。 到達可能な作業空間を拡張するために,多段式フレキシブルラック作動型平面ロボットを開発した。 本研究では,SpatioCoupledNet というハイブリッドキネマティクス・インフォームド・学習型形状制御手法を提案する。
  論文  参考訳（メタデータ） (2026-03-11T04:35:06Z)
• Learning Causal Structure Distributions for Robust Planning [53.753366558072806]
  構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。 これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。 本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
  論文  参考訳（メタデータ） (2025-08-08T22:43:17Z)
• Modular Recurrence in Contextual MDPs for Universal Morphology Control [0.6372261626436676]
  しかし、新しい、目に見えないロボットへの一般化は依然として課題だ。 モジュール型リカレントアーキテクチャを実装し,MuJoCoロボットの大規模集合上での一般化性能を評価する。
  論文  参考訳（メタデータ） (2025-06-10T09:44:30Z)
• Restore Anything Model via Efficient Degradation Adaptation [129.38475243424563]
  RAMは、様々な劣化にまたがる固有の類似性を活用して、効率的で包括的な復元を可能にする統一された経路を取る。 RAMのSOTA性能はRAMのSOTA性能を確認し、トレーニング可能なパラメータで約82%、FLOPで約85%のモデルの複雑さを減少させる。
  論文  参考訳（メタデータ） (2024-07-18T10:26:53Z)
• Universal Morphology Control via Contextual Modulation [52.742056836818136]
  異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。 既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。 本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:04:12Z)
• PACT: Perception-Action Causal Transformer for Autoregressive Robotics Pre-Training [25.50131893785007]
  本研究は,ロボットにおける複数のタスクの出発点として機能する汎用表現を事前学習するためのパラダイムを導入する。 本稿では,ロボットデータから直接表現を自己管理的に構築することを目的として,PACT(Perception-Action Causal Transformer)を提案する。 より大規模な事前学習モデル上に小さなタスク特化ネットワークを微調整すると、同時に1つのモデルをスクラッチからトレーニングするのに比べ、性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-09-22T16:20:17Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)

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。