論文の概要: When Multi-Robot Systems Meet Agentic AI:Towards Embodied Collective Intelligence
- arxiv url: http://arxiv.org/abs/2606.27929v1
- Date: Fri, 26 Jun 2026 10:21:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.451959
- Title: When Multi-Robot Systems Meet Agentic AI:Towards Embodied Collective Intelligence
- Title（参考訳）: エージェントAIとマルチロボット:集団知化に向けて
- Abstract要約: ロボットは知覚制御パイプラインからクローズドループシステムへとシフトする。
本稿では,ロボットチームが蓄積し,世界コンテキストを共有リソースとして利用する,未来のマルチロボットパラダイムであるEmbodied Collective Intelligence(ECI)について考察する。
- 参考スコア（独自算出の注目度）: 6.805838399260224
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Embodied AI is increasingly becoming agentic, shifting robots from perception--control pipelines towards closed-loop systems that can retrieve context, deliberate during execution, monitor feedback, and refine future behavior. In parallel, robotics research has also moved from single-robot autonomy towards multi-robot systems, driven by the need for wider sensing, distributed action, heterogeneous capabilities, and fault tolerance. As AI agents move from single-agent use towards multi-agent collaboration, robotics faces a parallel challenge: robot teams must move beyond sharing maps, task assignments, and datasets towards sharing the state produced by embodied agent loops. This article explores Embodied Collective Intelligence (ECI), a future multi-robot paradigm in which a robot team accumulates and uses world context, task progress, and skill experience as shared resources. Specifically, we first review how embodied AI is becoming agentic and how multi-robot cooperation has evolved. We then present Embodied Collective Intelligence through Co-Perception, Co-Action, and Co-Evolution. Finally, we use an illustrative navigation study to examine one concrete component of the concept: shared world-memory inheritance. The study shows that a newly added robot can benefit from merged team memory, but it is not intended as a full evaluation of the ECI framework. Taken together, the review and conceptual framework motivate Embodied Collective Intelligence as a direction for embodied multi-agent intelligence, while the case study grounds one measurable part of the concept.
- Abstract（参考訳）: ロボットを知覚制御パイプラインからクローズドループシステムに移行することで、コンテキストを検索し、実行中に意図的に実行し、フィードバックを監視し、将来の行動を洗練することができる。
並行して、ロボティクスの研究は単一ロボットの自律性から、より広義のセンシング、分散アクション、異種機能、フォールトトレランスの必要性によって、マルチロボットシステムへと移行した。
AIエージェントがシングルエージェントの使用からマルチエージェントコラボレーションに移行するにつれ、ロボット工学は並列的な課題に直面している。
本稿では,ロボットチームが世界コンテキスト,タスクの進捗,スキルエクスペリエンスを共有リソースとして活用する,未来のマルチロボットパラダイムであるEmbodied Collective Intelligence(ECI)について検討する。
具体的には,AIの具体化がエージェント的になりつつあること,マルチロボットの協力がいかに進化したか,などを概観する。
次に、共知覚、共行動、共進化を通じて、身体的集団知能を提示する。
最後に,この概念の具体的構成要素である共有世界記憶継承について考察する。
研究によると、新たに追加されたロボットは、統合されたチームメモリの恩恵を受けることができるが、ECIフレームワークの完全な評価は意図していない。
レビューと概念的枠組みが組み合わさって、Embodied Collective Intelligenceをマルチエージェントインテリジェンスの方向性として動機付け、ケーススタディは概念の1つの測定可能な部分を根拠にしている。
関連論文リスト
- Ludi${}_{\scriptscriptstyle 0.1}$: An Agentic System for Socially Intelligent Robots [22.26258894927344]
Ludi$_scriptscriptstyle 0.1$は、社会的に知的なロボットのためのエージェントシステムである。
対話型音声、マルチモーダル推論、メモリ、ナビゲーション、学習された操作を統合する。
Ludi$_scriptstyle 0.1$は流体ロボットコラボレーションへの実践的な道を示す。
論文 参考訳（メタデータ） (2026-08-22T16:38:59Z) - CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。
実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。
その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
論文 参考訳（メタデータ） (2026-06-10T17:26:08Z) - VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。
まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。
第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
論文 参考訳（メタデータ） (2026-06-08T09:52:55Z) - Directing the Robot: Scaffolding Creative Human-AI-Robot Interaction [1.6502315310699116]
人間のAIとロボットの相互作用の多くは、性能と効率の面から成り立っており、協力者ではなく人間を監督者として位置づけている。
本稿では,ロボットとのAIインタラクションを足場として再フレーミングすることを提案する。
論文 参考訳（メタデータ） (2026-03-08T17:49:38Z) - Intuitive Programming, Adaptive Task Planning, and Dynamic Role Allocation in Human-Robot Collaboration [28.96294944351617]
このレビューでは、人間とロボット間の直感的な情報交換とスキル伝達を可能にする重要なコンポーネントを特定し、接続する。
マルチモーダル入力をロボットに理解可能な表現に変換する人間とロボットのコミュニケーションブリッジから、完全なインタラクションパイプラインについて検討する。
論文 参考訳（メタデータ） (2025-11-11T19:49:30Z) - A roadmap for AI in robotics [55.87087746398059]
AIの可能性を生かして、私たちの日常生活にロボットを配備する上での、際立った障壁に取り組みたいと考えています。
この記事では、1990年代からロボット工学におけるAIが達成したことを評価し、課題と約束を列挙した短期的・中期的な研究ロードマップを提案する。
論文 参考訳（メタデータ） (2025-07-26T15:18:28Z) - RoBridge: A Hierarchical Architecture Bridging Cognition and Execution for General Robotic Manipulation [90.81956345363355]
RoBridgeは、一般的なロボット操作のための階層的なインテリジェントアーキテクチャである。
大規模事前学習型視覚言語モデル(VLM)に基づくハイレベル認知プランナー(HCP)で構成されている。
強化学習の手続き的スキルを解き放ち、認知と実行のギャップを効果的に埋める。
論文 参考訳（メタデータ） (2025-05-03T06:17:18Z) - Autonomous Embodied Agents: When Robotics Meets Deep Learning Reasoning [0.9790236766474201]
この論文は、室内環境におけるエンボディ化剤の完全な生成プロセスに続くものである。
我々は、この分野での今後の研究を促進するために、エンボディードAIと自律エージェントの研究に貢献することを目指している。
論文 参考訳（メタデータ） (2025-05-02T00:43:28Z) - GNN-based Decentralized Perception in Multirobot Systems for Predicting Worker Actions [12.260881600042374]
本稿では,移動ロボットが人間の行動に関する情報を分散的に理解し,共有することのできる認識フレームワークを提案する。
スウォームにインスパイアされた意思決定プロセスは、すべてのロボットが人間の行動の統一的な解釈に合意することを保証するために使用される。
論文 参考訳（メタデータ） (2025-01-08T00:06:38Z) - GRUtopia: Dream General Robots in a City at Scale [65.08318324604116]
本稿では,各種ロボットを対象とした対話型3D社会「GRUtopia」について紹介する。
GRScenesには100万のインタラクティブな微妙な注釈付きシーンが含まれており、都市規模の環境に自由に組み合わせることができる。
GRResidentsはLarge Language Model (LLM)によって駆動されるNon-Player Character (NPC)システムである。
論文 参考訳（メタデータ） (2024-07-15T17:40:46Z) - LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。
CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。
評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2024-01-10T00:08:00Z) - Decentralized Global Connectivity Maintenance for Multi-Robot
Navigation: A Reinforcement Learning Approach [12.649986200029717]
本研究では、接続性を維持しながら、未知の環境でマルチロボットチームをナビゲートする方法を検討する。
複数のロボット間で共有される分散型ポリシーを開発するための強化学習手法を提案する。
接続制約と行動クローニングの異なる組み合わせを比較することで,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2021-09-17T13:20:19Z)
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。