論文の概要: Multi-Robot Open Adaptive Teaming Across Unseen Environments, Partners, and Scales
- arxiv url: http://arxiv.org/abs/2607.04972v1
- Date: Mon, 06 Jul 2026 12:02:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.131359
- Title: Multi-Robot Open Adaptive Teaming Across Unseen Environments, Partners, and Scales
- Title（参考訳）: 見えない環境、パートナー、スケールにまたがるマルチロボットオープン適応型チーム
- Abstract要約: 我々は,エージェント間の戦略的相互作用とペイオフ構造をモデル化するためのゲーム理論的な構成として,オープン適応型マルチロボット・コラボレーションを定式化する。
固定構成を最適化するのではなく、トレーニング中にパートナーと環境の多様性を段階的に拡大するHypergraphic Open-ended Learning Algorithm (HOLA) を開発した。
- 参考スコア（独自算出の注目度）: 22.672686026111947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deploying robot teams in the real world requires simultaneous adaptation to unseen environments, unknown partners, and varying team sizes, yet existing approaches often address these challenges in isolation under the closed-world assumption of fixed teammates. We formalize this as open adaptive multi-robot teaming and propose a hypergraphic-form game formulation that captures team-level cooperative relationships beyond pairwise interactions, providing a principled foundation for coordination structure inference when team composition changes dynamically within episodes. Unlike graph neural network architectures, this is a game-theoretic construct for modeling strategic interactions and payoff structures among agents. Building on this formulation, we develop the Hypergraphic Open-ended Learning Algorithm (HOLA), which progressively expands partner and environment diversity during training rather than optimizing for fixed configurations. Evaluated on cooperative pursuit with multi-drone and multi-quadruped platforms, HOLA outperforms all baselines across all three adaptability dimensions. Learned policies transfer directly to physical hardware without fine-tuning, with successful deployments on Crazyflie and Zsibot L1 platforms confirming robust real-world coordination in novel environments with unseen teammates.
- Abstract（参考訳）: ロボットチームを現実世界に展開するには、目に見えない環境、未知のパートナー、さまざまなチームサイズに同時に適応する必要があるが、既存のアプローチでは、固定されたチームメイトというクローズドワールドの仮定の下で、これらの課題に分離して対処することが多い。
我々は、これをオープン適応型マルチロボットチームとして形式化し、対の相互作用を超えたチームレベルの協調関係をキャプチャするハイパーグラフィック形式のゲーム定式化を提案し、チーム構成がエピソード内で動的に変化するときの協調構造推論の原理的基盤を提供する。
グラフニューラルネットワークアーキテクチャとは異なり、これはエージェント間の戦略的相互作用とペイオフ構造をモデル化するためのゲーム理論の構造である。
この定式化に基づいて、固定構成を最適化するのではなく、トレーニング中にパートナーと環境の多様性を段階的に拡大するHypergraphic Open-ended Learning Algorithm (HOLA)を開発した。
多段式および多段式プラットフォームによる協調的追従の評価において、HOLAは3つの適応性次元すべてで全てのベースラインを上回ります。
CrazyflieとZsibot L1プラットフォームへのデプロイが成功し、目に見えないチームメイトと新しい環境での堅牢な現実世界のコーディネーションが確認された。
関連論文リスト
- Beyond Partner Diversity: An Influence-Based Team Steering Framework for Zero-Shot Human-Machine Teaming [1.6672631924542791]
インフルエンスベースのチームステアリングは、インフルエンスシェーピングを使用してエージェントにインセンティブを与え、多様なハイパフォーマンスなチームインタラクションパターンを見つけるフレームワークである。
IBTSは2エージェントと3エージェントの両方でOvercooked-AI上で評価し、学習された協調構造がダイアド相互作用を超えて移動するかどうかを検証した。
我々の評価には、シミュレートされたパートナー、合成パートナースタイルのバリエーション、そして私たちの知る限り、2人の真の人間チームメイトと1人のマシンチームメイトを含む30件のOvercooked-AI HMT研究が含まれている。
論文 参考訳（メタデータ） (2026-05-14T20:34:16Z) - Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。
本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
論文 参考訳（メタデータ） (2026-05-07T14:19:17Z) - TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。
我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
論文 参考訳（メタデータ） (2026-03-09T05:52:13Z) - Modeling Latent Partner Strategies for Adaptive Zero-Shot Human-Agent Collaboration [8.829018359718086]
我々は、様々なパートナー戦略を表現、分類、適応する戦略条件付き協調作業フレームワークであるTALENTSを紹介した。
提案手法は変分オートエンコーダを用いて軌道データから潜在戦略空間を学習する。
未確認のパートナーに適応するために、我々は固定共有後悔最小化アルゴリズムを利用する。
論文 参考訳（メタデータ） (2025-07-07T17:53:13Z) - Generalizable Agent Modeling for Agent Collaboration-Competition Adaptation with Multi-Retrieval and Dynamic Generation [19.74776726500979]
ひとつのエージェントを新しいマルチエージェントシステムに適用することは、課題をもたらし、さまざまなタスク、環境、未知のチームメイトや相手とのインタラクションを調整する必要がある。
本稿では,多種多様なシナリオにまたがってエージェントを一般化するためのエージェント評価を行う,より包括的なエージェント協調適応手法を提案する。
ACCAでは、エージェントはタスクや環境の変化を調整し、目に見えないチームメイトと協力し、未知の相手と競う。
論文 参考訳（メタデータ） (2025-06-20T03:28:18Z) - MindAgent: Emergent Gaming Interaction [103.73707345211892]
大規模言語モデル(LLM)は、マルチエージェントシステムで複雑なスケジューリングを行う能力を持つ。
我々はMindAgentを提案し,ゲームインタラクションにおける創発的能力の評価・調整を行う。
論文 参考訳（メタデータ） (2023-09-18T17:52:22Z) - 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) - Conditional Imitation Learning for Multi-Agent Games [89.897635970366]
本研究では,条件付きマルチエージェント模倣学習の課題について考察する。
本稿では,スケーラビリティとデータ不足の難しさに対処する新しい手法を提案する。
我々のモデルは,egoやパートナエージェント戦略よりも低ランクなサブスペースを学習し,サブスペースに補間することで,新たなパートナ戦略を推論し,適応する。
論文 参考訳（メタデータ） (2022-01-05T04:40:13Z) - Competing Adaptive Networks [56.56653763124104]
適応エージェントのチーム間での分散競争のためのアルゴリズムを開発する。
本稿では,生成的対向ニューラルネットワークの分散学習への応用について述べる。
論文 参考訳（メタデータ） (2021-03-29T14:42:15Z) - Towards Open Ad Hoc Teamwork Using Graph-based Policy Learning [11.480994804659908]
我々は、さまざまなチーム構成の下でエージェントモデルと共同アクション値モデルを学ぶために、グラフニューラルネットワーク上に構築する。
私たちは、我々のアプローチが、他のエージェントが学習者に与える影響をうまくモデル化し、動的なチーム構成にしっかりと適応するポリシーを導いたことを実証的に実証します。
論文 参考訳（メタデータ） (2020-06-18T10:39:41Z)
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。