論文の概要: D-CLIPSE: Distributed Consensus-based Localization with Passive Listening on Shared State Exchange
- arxiv url: http://arxiv.org/abs/2607.07995v1
- Date: Thu, 09 Jul 2026 00:00:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.367782
- Title: D-CLIPSE: Distributed Consensus-based Localization with Passive Listening on Shared State Exchange
- Title（参考訳）: D-CLIPSE:共有状態交換におけるパッシブリスニングを用いた分散コンセンサスに基づく局所化
- Authors: Kyle Biron-Gricken, James Richard Forbes,
- Abstract要約: 正確で一貫性のあるマルチロボットのローカライゼーションは、計画や制御といった下流のタスクに必須である。
本稿では,一貫した通信効率,コンセンサスに基づく分散フィルタリングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.970277730082773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-robot localization that is accurate and consistent is imperative for downstream tasks such as planning and control. Centralized filtering approaches optimally fuse all available sensor measurements of the team. However, a centralized solution is rarely implementable due to hardware, communication, and computational constraints. Distributed approaches deploy a filter on each robot to estimate their own state and neighbours' states using inter-robot communication. This paper proposes a consistent, communication-efficient, and consensus-based distributed filtering framework that shares both preintegrated odometry and relevant shared states among communicating robots. The proposed method is validated in simulated and experimental scenarios, showing near centralized performance in accuracy, and especially in consistency, compared to the current state-of-the-art decentralized approach.
- Abstract（参考訳）: 正確で一貫性のあるマルチロボットのローカライゼーションは、計画や制御といった下流のタスクに必須である。
集中フィルタリングアプローチは、チームの利用可能なすべてのセンサ測定を最適に融合させる。
しかし、ハードウェア、通信、計算の制約のため、中央集権的なソリューションはめったに実装されない。
分散アプローチでは、ロボット間の通信を用いて、各ロボットにフィルタを配置し、それぞれの状態と隣人の状態を推定する。
本稿では,コミュニケーションロボット間で,事前統合されたオドメトリーと関連する共有状態の両方を共有する,一貫した,コミュニケーション効率,コンセンサスに基づく分散フィルタリングフレームワークを提案する。
提案手法はシミュレーションおよび実験シナリオで検証され,現状の最先端分散手法と比較して,精度,特に一貫性に近づいた性能を示す。
関連論文リスト
- Decentralized Pose Graph Riemannian Optimization for Object-based Multi-Robot SLAM [14.190643126006819]
オブジェクトベースのマルチロボットSLAMでは、ロボットがそれぞれの軌道と複数のエージェントが観察する永続オブジェクトのポーズの両方を共同で推定する必要があるため、問題はより緊密に結合される。
既存の分散化されたソリューションは、通信グラフが物理的相互作用トポロジーと密接に一致していると仮定することが多い。
本稿では、オブジェクトベースのマルチロボットPGOのための完全に分散化されたリーマン最適化フレームワークについて、コンセンサス機構を介して結合推定問題を分離し、柔軟な通信トポロジを実現する。
論文 参考訳（メタデータ） (2026-06-23T12:21:34Z) - Learning to Communicate Locally for Large-Scale Multi-Agent Pathfinding [48.1609560841622]
本稿では,効率的な特徴共有を通じてエージェント間の協調を強化するための学習可能な通信モジュールを提案する。
提案手法は既存の学習ベースMAPFソルバよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-05-08T12:05:08Z) - Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion [0.4316181399175028]
分散協調型ローカライゼーションは,GPSを用いた環境下で動作する非ホロノミック移動ロボットにとって有望なアプローチである。
本稿では,拡張カルマンフィルタを用いて,各ロボットが局所的なローカライズを行うフレームワークを提案する。
また、静的環境特徴と移動ロボットの両方を動的ランドマークとして活用するデュアルランドマーク評価フレームワークを導入する。
論文 参考訳（メタデータ） (2026-03-12T15:42:59Z) - Semi-distributed Cross-modal Air-Ground Relative Localization [11.828259485114598]
ロボット相対的ローカライゼーションの現在のアプローチは、分散マルチロボットSLAMシステムという形で主に実現されている。
我々は、複数のセンサーを統合するために、無人地上車両(UGV)の容量を十分に活用する。
この研究において、UGVと無人航空機(UAV)は独立してSLAMを行い、深層学習に基づくキーポイントとグローバルディスクリプタを抽出した。
論文 参考訳（メタデータ） (2025-11-10T06:28:31Z) - Distributed Machine Learning Approach for Low-Latency Localization in Cell-Free Massive MIMO Systems [16.842941544015194]
低レイテンシのローカライゼーションは、正確な位置決めを必要とするリアルタイムアプリケーションをサポートするために、セルネットワークにおいて重要である。
本研究では, セルレス大規模マルチインプットマルチアウトプット(MIMO)システムに適した指紋位置推定のための分散機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-16T06:05:16Z) - A Scalable Multi-Robot Framework for Decentralized and Asynchronous Perception-Action-Communication Loops [72.1902268440158]
グローバルな目的を達成するため,大規模なロボット群における協調作業は,大規模環境における課題である。
ロボットはパーセプション・アクション・コミュニケーションループを実行し、ローカル環境を認識し、他のロボットと通信し、リアルタイムで行動を起こす必要がある。
近年では、フロッキングやカバレッジ制御などのアプリケーションでグラフニューラルネットワーク(GNN)を使用してこの問題に対処している。
本稿では、分散化されたGNNを用いてナビゲーション動作を計算し、通信のためのメッセージを生成するロボット群における非同期PACフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-18T21:20:50Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳（メタデータ） (2021-06-15T17:45:51Z) - Distributed Q-Learning with State Tracking for Multi-agent Networked
Control [61.63442612938345]
本稿では,LQR(Linear Quadratic Regulator)のマルチエージェントネットワークにおける分散Q-ラーニングについて検討する。
エージェントに最適なコントローラを設計するための状態追跡(ST)ベースのQ-ラーニングアルゴリズムを考案する。
論文 参考訳（メタデータ） (2020-12-22T22:03:49Z) - Decentralized Deep Learning using Momentum-Accelerated Consensus [15.333413663982874]
複数のエージェントが協調して分散データセットから学習する分散ディープラーニングの問題を考える。
本稿では,エージェントが固定された通信トポロジ上で対話する分散ディープラーニングアルゴリズムを提案し,解析する。
本アルゴリズムは,勾配に基づくプロトコルで用いられるヘビーボール加速度法に基づく。
論文 参考訳（メタデータ） (2020-10-21T17:39:52Z)
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。