論文の概要: Robots as Tokens: Unified Diffusion Transformer for Coordinated Multi-Robot Trajectory Generation

• arxiv url: http://arxiv.org/abs/2606.15550v1
• Date: Sun, 14 Jun 2026 02:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.687052
• Title: Robots as Tokens: Unified Diffusion Transformer for Coordinated Multi-Robot Trajectory Generation
• Title（参考訳）: Tokensとしてのロボット: 協調型マルチロボット軌道生成のための統一拡散変換器
• Abstract要約: 制御されたマルチロボット軌道が,フィードフォワード方式で生成モデルを用いて学習できるかどうかを検討する。 マルチロボット軌道を直接生成する統合拡散変換器であるTokens as Tokens(Roken)を提案する。 ローケンは、単一のロボット計画、協調されたマルチロボット軌道生成、条件付き軌道生成を処理できる汎用的なマルチロボットプランナーとして振る舞う。
• 参考スコア（独自算出の注目度）: 25.56633710745516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of generative models in language and visual generation has inspired extensive applications to generative robot planning. However, most existing works either focus on single-robot planning, or generate multi-robot trajectories in a sequential manner with iterative post-processing to resolve inter-robot conflicts. In this work, we investigate whether coordinated multi-robot trajectories, as a special spatiotemporal distribution, can be learned and generated with a generative model in a feed-forward manner. We propose Robots as Tokens (Roken), a unified diffusion transformer that directly generates multi-robot trajectories that satisfy both (individual) safety and (global) connectivity constraints. The core design of Roken is to represent each robot as a discrete token, allowing them to naturally interact with each other through self-attention, and cross-attend to map tokens for environment layouts. We further introduce several auxiliary tasks based on Bayes' theorem to provide multi-scale spatial-temporal supervision for efficient learning of the conditional distribution. In training, Roken absorbs diverse expert trajectories from different team sizes. During inference, Roken behaves as a versatile multi-robot planner that can handle single-robot planning, coordinated multi-robot trajectory generation, and conditional trajectory generation by fixing some robot tokens as conditions. Experiments in diverse cluttered environments show that Roken can generate coordinated multi-robot trajectories to perform connectivity-constrained goal navigation tasks with high success rates, outperforming the baseline method used to generate the training dataset. Roken also demonstrates good scalability after training with mixed team sizes, and shows generalization to unseen or partially observed environments, verifying its potential to learn from diverse data and perform versatile tasks.
• Abstract（参考訳）: 言語と視覚生成における生成モデルの成功は、生成ロボット計画への広範な応用にインスピレーションを与えている。 しかし、既存のほとんどの研究は、単一ロボット計画に焦点を当てるか、複数ロボットの軌道を逐次的に生成し、反復的な後処理でロボット間の衝突を解決するかのどちらかである。 本研究では,特別な時空間分布として協調したマルチロボット軌道を,フィードフォワード方式で生成モデルを用いて学習し,生成することができるかを検討する。 ロボット・アズ・トケンズ(ロボット・アズ・トケンズ)は,(個人的)安全と(グローバル的)接続制約の両方を満たすマルチロボット軌道を直接生成する統合拡散トランスフォーマーである。 Rokenの中核となる設計は、各ロボットを個別のトークンとして表現し、自己注意を通じて自然に相互に対話し、環境レイアウトのためのトークンを横断的にマップすることを可能にすることである。 さらにベイズの定理に基づくいくつかの補助的タスクを導入し、条件分布の効率的な学習に多スケールの時空間監視を提供する。 トレーニングでは、異なるチームサイズのさまざまな専門家の軌道を吸収する。 推論中、ローケンは単一ロボット計画、協調マルチロボット軌道生成、条件としていくつかのロボットトークンを固定することで条件付き軌道生成を処理できる汎用マルチロボットプランナーとして振る舞う。 多様な乱雑な環境での実験は、Rokenが協調したマルチロボット軌道を生成でき、高い成功率で接続制約のある目標ナビゲーションタスクを実行でき、トレーニングデータセットを生成するのに使用されるベースラインメソッドよりも優れていることを示している。 Roken氏はまた、混合チームサイズでのトレーニング後に優れたスケーラビリティを示し、目に見えない、あるいは部分的に観察された環境への一般化を示し、多様なデータから学習し、汎用的なタスクを実行する可能性を検証する。

関連論文リスト

• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  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。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• QDTraj: Exploration of Diverse Trajectory Primitives for Articulated Objects Robotic Manipulation [2.7261369763665377]
  本稿では,ロボットが広い範囲の明瞭な物体を操作できるようにする手法を提案する。 我々は,ロボットの低レベル軌道プリミティブを自動生成し,与えられた物体の調音を操作できる。 QDTrajはヒンジとスライダのアクティベーションタスクの少なくとも5倍の多様な軌道を生成する。
  論文  参考訳（メタデータ） (2026-04-24T13:45:04Z)
• Robometer: Scaling General-Purpose Robotic Reward Models via Trajectory Comparisons [69.87766750714945]
  汎用ロボット報酬モデルは通常、専門家によるデモンストレーションから絶対的なタスク進捗を予測するために訓練される。 本稿では、軌道内進行監視と軌道間優先監視を組み合わせたスケーラブルな報酬モデリングフレームワークRobometerを紹介する。 ロビオメーターは、専門家データに報酬等級を固定するフレームレベルのプログレス・ロスと、グローバルな順序制約を課す軌跡比較優先損失という2つの目的で訓練されている。
  論文  参考訳（メタデータ） (2026-03-02T17:38:58Z)
• CHORAL: Traversal-Aware Planning for Safe and Efficient Heterogeneous Multi-Robot Routing [4.3992789649203194]
  自律ロボットによる大規模で未知の複雑な環境のモニタリングは、重要なナビゲーション課題を引き起こす。 異種ロボットの協調のための統合意味認識フレームワークを提案する。 シミュレーション実験と3つのロボットプラットフォームを用いた実際の検査ミッションにより,本手法の有効性が実証された。
  論文  参考訳（メタデータ） (2026-01-15T12:34:22Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Capability-Aware Shared Hypernetworks for Flexible Heterogeneous Multi-Robot Coordination [1.5970870882365]
  マルチロボットチームのための能力認識共有ハイパーネットワークス(CASH)を提案する。 CASHは、ハイパーネットワークを使用してフレキシブルな共有ポリシを効率的に学習する、ソフトウェイト共有アーキテクチャである。 トレーニングとゼロショットの一般化の両方において、CASHは性能とサンプル効率の点で、ベースラインアーキテクチャを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-01-10T15:39:39Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• 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)
• Scalable Multi-Robot System for Non-myopic Spatial Sampling [9.37678298330157]
  本稿では,空間場の非一様サンプリングのためのスケーラブルな分散マルチロボット計画アルゴリズムを提案する。 我々は,複数のロボット間のコミュニケーションがチーム全体のサンプリング性能に与える影響を,独立して分析する。
  論文  参考訳（メタデータ） (2021-05-20T20:30:10Z)
• 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。