論文の概要: Multi-Agent Next-Best-View Optimization for Risk-Averse Planning

• arxiv url: http://arxiv.org/abs/2606.04158v1
• Date: Tue, 02 Jun 2026 19:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.344852
• Title: Multi-Agent Next-Best-View Optimization for Risk-Averse Planning
• Title（参考訳）: リスク・アバース計画のためのマルチエージェント次世代視点最適化
• Authors: Amirhossein Mollaei Khass, Vivek Pandey, Guangyi Liu, Athanasios Cosse, Emrah Bayrak, Nader Motee,
• Abstract要約: 不確実で未知の環境での安全な経路計画のためのマルチエージェントNBV(Next-Best-View)の選択には、情報的、安全に配慮し、効率的な調整が必要である。 本研究では,各ロボットがプライベートなローカル3Dガウスマップを維持できる分散型リスク対応NBVフレームワークを提案する。 複数のチーム規模のGibson環境での実験は、分散定式化が、マッピングの品質と軌道安全において集中的なベースラインに近づいたことを示している。
• 参考スコア（独自算出の注目度）: 1.1246921651379473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent Next-Best-View (NBV) selection for safe path planning in uncertain and unknown environments requires informative, safety-aware, and efficient coordination. Centralized approaches rely on sharing raw sensor data or significant communication overhead, resulting in limited scalability. We propose a distributed, risk-aware multi-agent NBV framework in which each robot maintains a private local 3D Gaussian Splatting map and the team jointly maximizes expected information gain (EIG) restricted to masked zones along planned trajectories. The resulting distributed objective is solved by Consensus ADMM (C-ADMM) over a communication graph, with each robot exchanging only candidate viewpoints, planned trajectory descriptors, and scalar EIG contributions. Collision risk along each trajectory is modeled via Average Value-at-Risk (AV@R) over the local 3DGS map and used both to shape the masking radius and to score planned paths. Experiments in Gibson environments at multiple team sizes show that the distributed formulation approaches the centralized baseline in mapping quality and trajectory safety while reducing communication by orders of magnitude.
• Abstract（参考訳）: 不確実で未知の環境での安全な経路計画のためのマルチエージェントNBV(Next-Best-View)の選択には、情報的、安全に配慮し、効率的な調整が必要である。 集中型アプローチは、生のセンサーデータや重要な通信オーバーヘッドを共有することに依存し、スケーラビリティが制限される。 提案する分散型マルチエージェントNBVフレームワークは,各ロボットがプライベートなローカル3Dガウス・スプレイティングマップを維持し,チームは計画された軌道に沿ってマスク付きゾーンに制限された期待情報ゲイン(EIG)を共同で最大化する。 得られた分散目的は通信グラフ上のConsensus ADMM(C-ADMM)によって解決され、各ロボットは候補視点のみを交換し、計画された軌道記述子とスカラーEIGコントリビューションを交換する。 各軌道に沿った衝突リスクは、局所的な3DGSマップ上の平均値-at-Risk(AV@R)を介してモデル化され、マスク半径の形状と計画された経路のスコアの両方に使用される。 複数のチーム規模のGibson環境での実験は、分散定式化がマッピング品質と軌道安全の集中ベースラインに近づき、桁違いの通信を減らしたことを示している。

関連論文リスト

• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• Scalable Multi-Agent Path Finding using Collision-Aware Dynamic Alert Mask and a Hybrid Execution Strategy [14.091856940824258]
  マルチエージェントパスフィンディングは、ロボット工学や自律システムにおいて重要な問題である。 本稿では,分散経路計画と軽量集中コーディネータを組み合わせたハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-10T15:25:40Z)
• Active Next-Best-View Optimization for Risk-Averse Path Planning [27.736895306224863]
  不確実な環境での安全なナビゲーションには、リスク回避とアクティブな知覚を統合する計画手法が必要である。 本稿では,オンライン更新された3次元ガウスプレート放射場上にテールセンシティブなリスクマップを構築することで,粗い参照経路を洗練する統一フレームワークを提案する。 これらのマップは、局所的に安全かつ実現可能な軌道の生成を可能にする。
  論文  参考訳（メタデータ） (2025-10-07T21:41:28Z)
• 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)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。