論文の概要: Technical Report: Asynchronous Distributed Trajectory Estimation of Multi-Robot Systems
- arxiv url: http://arxiv.org/abs/2607.01106v1
- Date: Wed, 01 Jul 2026 15:57:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.977411
- Title: Technical Report: Asynchronous Distributed Trajectory Estimation of Multi-Robot Systems
- Title（参考訳）: 技術報告:マルチロボットシステムの非同期分散軌道推定
- Authors: Adam Pooley, Matthew Hale,
- Abstract要約: 分散軌道推定のための非同期ブロック座標降下アルゴリズムを提案する。
この近似は無視可能な誤りを引き起こし、エージェント間の通信の96.9%を排除している。
シミュレーションによれば、このアプローチは、同等の最先端アルゴリズムよりも最大64%エラーが少ない。
- 参考スコア（独自算出の注目度）: 0.5414308305392762
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distributed trajectory estimation arises in many applications across robotics, but existing implementations typically do not consider asynchrony in agents' communications and computations. Therefore, we propose an asynchronous block coordinate descent algorithm for distributed trajectory estimation. We consider a team of agents that observes a team of robots and estimates their states over a sliding window. The agents solve an approximation of the maximum a posteriori estimation problem, which we derive. We show this approximation introduces negligible errors and eliminates up to 96.9% of communications among agents. Next, we prove that agents' iterates converge exponentially fast to the optimal estimate of the robots' states. Simulations show that this approach has up to 64% less error than a comparable state-of-the-art algorithm. Experiments on mobile robots show the robustness of this approach to delays whose lengths span three orders of magnitude.
- Abstract（参考訳）: 分散軌道推定はロボット工学にまたがる多くのアプリケーションで発生するが、既存の実装ではエージェントの通信や計算において非同期性は考慮されていない。
そこで本研究では,分散軌道推定のための非同期ブロック座標降下アルゴリズムを提案する。
我々は,ロボットのチームを観察し,その状態をスライドウィンドウ上で推定するエージェントのチームを考える。
エージェントは最大アフター推定問題の近似を解く。
この近似は無視可能な誤りを引き起こし、エージェント間の通信の96.9%を排除している。
次に,ロボットの状態の最適推定値にエージェントの繰り返しが指数関数的に収束することを証明する。
シミュレーションによれば、このアプローチは、同等の最先端アルゴリズムよりも最大64%エラーが少ない。
移動ロボットの実験では、3桁の長さの遅延に対するこのアプローチの堅牢性を示している。
関連論文リスト
- Don't double it: Efficient Agent Prediction in Occlusions [1.1338062042380708]
密集した交通機関は、隠れた歩行者や車両が予期せず現れるため、自動運転車にとって重大な課題となる。
既存の学習ベースの手法は、1つのエージェントが複数回識別された場合、冗長な占有率予測を生成することが多い。
我々は、最先端のSceneInformerアーキテクチャをベースにした、新しいトランスフォーマーベースのアプローチであるMatchInformerを紹介する。
論文 参考訳（メタデータ） (2026-01-29T10:22:38Z) - Trajectory Entropy: Modeling Game State Stability from Multimodality Trajectory Prediction [17.677746221426172]
エージェント間の複雑な相互作用は、現実のシナリオにおける自律運転にとって重要な課題である。
近年,エージェントの相互作用をレベルkゲームフレームワークとして定式化する,有望なアプローチが出現している。
本稿では、レベルkゲームフレームワーク内のエージェントのゲームステータスを明らかにするために、トラジェクトリ・エントロピーと呼ばれるメトリクスを提案する。
論文 参考訳（メタデータ） (2025-06-06T07:17:55Z) - DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。
遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
論文 参考訳（メタデータ） (2024-03-25T22:49:56Z) - Communication-Critical Planning via Multi-Agent Trajectory Exchange [21.923724399511798]
本稿では,統合マルチエージェント認識と計画の課題に対処する。
これは、コネクテッド・自動運転車の衝突のないナビゲーションという現実の課題に関連している。
論文 参考訳（メタデータ） (2023-03-10T16:59:24Z) - Federated Best Arm Identification with Heterogeneous Clients [62.36929749450298]
中央サーバと複数のクライアントを備えた多腕バンディット・セッティングにおける腕の識別について検討した。
予測停止時間上の上限が乗算定数までの下限と一致するアルゴリズム(ほぼ最適アルゴリズムの場合)について示す。
本稿では,指数時間瞬間に通信する新しいアルゴリズムを提案し,ほぼ最適であることを実証する。
論文 参考訳（メタデータ） (2022-10-14T13:09:11Z) - Distributed Swarm Collision Avoidance Based on Angular Calculations [0.0]
本稿では,高密度で複雑な2Dおよび3D環境のための分散リアルタイムアルゴリズムを提案する。
角計算を用いて、各ロボットの動きの最適な方向を選択する。
提案手法は,ハエ群集の完全自律航法を可能にする。
論文 参考訳（メタデータ） (2021-08-29T23:12:38Z) - Prioritized SIPP for Multi-Agent Path Finding With Kinematic Constraints [0.0]
MAPF(Multi-Agent Path Finding)は、ロボティクスと人工知能における長年の問題である。
この問題をある程度緩和する手法を提案する。
論文 参考訳（メタデータ） (2021-08-11T10:42:11Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - Learning to Communicate and Correct Pose Errors [75.03747122616605]
本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。
本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-10T18:19:40Z)
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。