論文の概要: EvoFlock: evolved inverse design of multi-agent motion
- arxiv url: http://arxiv.org/abs/2606.25280v1
- Date: Wed, 24 Jun 2026 01:32:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 21:36:10.203794
- Title: EvoFlock: evolved inverse design of multi-agent motion
- Title（参考訳）: EvoFlock:マルチエージェント動作の逆設計
- Abstract要約: 本稿では,マルチエージェント動作モデルの自動調整手法について述べる。
所望のグループ動作は、ユーザ定義の目的(/フィット/ロス)関数で測定され、遺伝的アルゴリズムで最適化される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes an automatic method for adjusting or tuning models of multi-agent motion. Simulating the motion of bird flocks, human crowds, vehicle traffic, and other multi-agent systems is a widely used technique. These simulations model the behavior of a single group member (bird, human, or vehicle). The group behaviors (flock, crowd, traffic) emerge from interactions between group members. These models typically have many numerical control parameters. Even if each parameter is intuitive in isolation, their interaction can be complex and nonlinear. It is challenging to determine which parameters to adjust for the desired change in group behavior. Changing one aspect of group behavior often causes other aspects to change, leading to a tedious process of incremental changes. This work takes an inverse design approach. The desired group behavior is measured with a user-defined objective(/fitness/loss) function and optimized with a genetic algorithm. The objective function used here for basic flocking rewards proper spacing with neighbors, flying near a desired speed, and avoiding obstacles. Interestingly, the vivid alignment seen in bird flocks appears to emerge from maintaining proper spacing between flockmates.
- Abstract（参考訳）: 本稿では,マルチエージェント動作モデルの自動調整手法について述べる。
鳥の群れ、人群集、車両の交通、その他のマルチエージェントシステムの運動をシミュレートすることは広く使われている手法である。
これらのシミュレーションは、単一のグループメンバー(鳥、人間、または車両)の振る舞いをモデル化する。
グループ行動(群れ、群集、トラフィック)は、グループメンバー間の相互作用から生まれる。
これらのモデルは典型的には多くの数値制御パラメータを持つ。
各パラメータが独立して直感的であるとしても、それらの相互作用は複雑で非線形である。
グループ行動の望ましい変化に合わせてどのパラメータを調整するかを決定するのは難しい。
グループ行動の1つの側面を変えることは、しばしば他の側面を変えることを引き起こします。
この仕事は逆設計のアプローチを取る。
所望のグループ動作は、ユーザ定義の目的(/フィット/ロス)関数で測定され、遺伝的アルゴリズムで最適化される。
ここでの基本的な群れの目的関数は、隣人との適切な間隔、所望の速度付近での飛行、障害物の回避を報いる。
興味深いことに、鳥の群れに見られる鮮やかなアライメントは、群れ同士の適切な間隔を維持することによって現れるように見える。
関連論文リスト
- Learning Reactive Human Motion Generation from Paired Interaction Data Using Transformer-Based Models [0.0]
本研究は,対話シナリオにおける他者の動作に基づいて,ある人物の動作を生成する問題に対処する。
簡単なTransformer、iTransformer、Crossformerの3つのモデルを実装し比較する。
実験結果から, 簡易トランスフォーマーは姿勢崩壊に悩まされることなく, 可塑性相互作用を意識した動作を生成できることが示唆された。
論文 参考訳（メタデータ） (2026-04-24T02:27:13Z) - Diffusion Forcing for Multi-Agent Interaction Sequence Modeling [52.769202433667125]
MAGNetはマルチエージェントモーション生成のための統合された自己回帰拡散フレームワークである。
フレキシブルな条件付けとサンプリングを通じて、幅広いインタラクションタスクをサポートする。
緊密に同期された活動と、ゆるやかに構造化された社会的相互作用の両方をキャプチャする。
論文 参考訳（メタデータ） (2025-12-19T18:59:02Z) - Realistic pedestrian-driver interaction modelling using multi-agent RL with human perceptual-motor constraints [3.4087048085988765]
本稿では,歩行者エージェントとドライバエージェントの視覚的制約と運動的制約を統合したマルチエージェント強化学習フレームワークを提案する。
その結果,視覚的制約と運動的制約を併用したモデルが最適であることが示唆された。
本フレームワークは,人口レベルの分布として人的制約を制御するパラメータをモデル化することで,個人差を考慮に入れている。
論文 参考訳（メタデータ） (2025-10-31T11:18:13Z) - Continuous Locomotive Crowd Behavior Generation [23.45902601618188]
本研究では,不均一な行動や相互作用を伴う連続的,現実的な群集軌道を自動生成する新しい手法を提案する。
提案手法は, 多様な集団行動パターンを効果的にモデル化し, 地理的に異なる環境にまたがってよく一般化できることを実証する。
論文 参考訳（メタデータ） (2025-04-07T06:08:59Z) - Who Walks With You Matters: Perceiving Social Interactions with Groups for Pedestrian Trajectory Prediction [14.009392073139441]
本稿では,GrouP ConCeption(GPCC)モデルを提案する。
GPCCモデルでは、軌道予測精度が大幅に向上し、社会的・個人的ダイナミクスをモデル化する上での有効性が検証された。
論文 参考訳（メタデータ） (2024-12-03T11:47:33Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary
Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。
我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。
今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文 参考訳（メタデータ） (2023-12-08T16:51:10Z) - InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。
そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
論文 参考訳（メタデータ） (2023-11-27T14:32:33Z) - AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable
Diffusion Model [69.12623428463573]
AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。
ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。
選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-03T13:53:08Z) - Shuffled Autoregression For Motion Interpolation [53.61556200049156]
この作業は、モーションタスクのためのディープラーニングソリューションを提供することを目的としている。
本稿では,自己回帰を任意の(シャッフルされた)順序で生成するために拡張する,emphShuffled AutoRegressionと呼ばれる新しいフレームワークを提案する。
また,3つのステージを終端から終端の時空間運動変換器に組み込んだ依存グラフの構築手法を提案する。
論文 参考訳（メタデータ） (2023-06-10T07:14:59Z) - Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。
チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
論文 参考訳（メタデータ） (2022-10-17T07:16:44Z)
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。