論文の概要: Distributed Model-Based Diffusion For Scalable Multi-Robot Trajectory Optimization
- arxiv url: http://arxiv.org/abs/2607.20992v1
- Date: Thu, 23 Jul 2026 07:16:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.30778
- Title: Distributed Model-Based Diffusion For Scalable Multi-Robot Trajectory Optimization
- Title（参考訳）: スケーラブルなマルチロボット軌道最適化のための分散モデルベース拡散
- Abstract要約: 本稿では,逆拡散過程をローカル条件逆拡散過程に分解する分散サーバロボットフレームワークを提案する。
この分解により、各ロボットは、目標によって集約された他のロボットを推定する現在の軌跡に基づいて、自身の制御部分空間条件内で独立して反復的に復調を行うことができる。
- 参考スコア（独自算出の注目度）: 14.429253416107167
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trajectory optimization for multi-robot systems remains a critical challenge, particularly when navigating highly non-convex, non-linear, and non-differentiable environments. While Model-Based Diffusion (MBD) has recently emerged as a promising sampling-based optimization paradigm for single-robot trajectory generation, extending it to multi-robot systems results in a centralized, high-dimensional inference problem that (i) suffers from poor sample efficiency due to the curse of dimensionality and (ii) requires global access to all robots' dynamics, constraints, and objectives. To address this, we propose Distributed Model-Based Diffusion (DMBD), a distributed server-robot framework that decomposes the reverse diffusion process into local conditional reverse diffusion processes. This decomposition enables each robot to iteratively perform denoising independently within its own control subspace while conditioning on the current trajectory estimates of the other robots that are aggregated and broadcast by the server. Extensive simulations in goal swapping, multi-floor coverage, parking, and rush-hour scenarios demonstrate that DMBD achieves strong scalability, solving many challenging coordination tasks in sub-seconds and significantly outperforming existing baselines.
- Abstract（参考訳）: マルチロボットシステムの軌道最適化は、特に非凸性、非線形性、および非微分可能な環境をナビゲートする場合において、依然として重要な課題である。
モデルベース拡散(MBD)は、最近、単一ロボット軌道生成のための有望なサンプリングベース最適化パラダイムとして登場し、それをマルチロボットシステムに拡張することで、集中的かつ高次元の推論問題をもたらす。
一 寸法の呪いによるサンプル効率の悪さ
(ii) 全てのロボットの動作, 制約, 目的へのグローバルなアクセスが必要である。
そこで本研究では,分散モデルベース拡散(DMBD)を提案する。これは分散サーバロボットフレームワークで,逆拡散過程を局所的条件付き逆拡散過程に分解する。
この分解により、各ロボットは、サーバが集約して放送する他のロボットの現在の軌跡推定を条件にしながら、自身の制御サブ空間内で独立して復調を行うことができる。
ゴールスワップ、マルチフロアカバレッジ、パーキング、ラッシュアのシナリオにおける広範囲なシミュレーションは、DMBDが強力なスケーラビリティを実現し、サブ秒間の多くの困難な調整タスクを解決し、既存のベースラインを大幅に上回っていることを示す。
関連論文リスト
- Model-Based Diffusion Optimal Control for Multi-Robot Motion Planning [5.5818653283217055]
連続環境におけるマルチロボット運動計画は、関節軌道空間の成長と動的実現性やハードセーフティ制約の実施の難しさにより困難である。
近年の研究では,実験データからスコア関数を学習した拡散モデルを用いて,軌道後部からの軌道計画を確率的推論として再検討している。
モデルベース拡散最適制御(MDOC)は,データに頼らずに動的に実現可能な軌道を効率的に生成するモデルベース拡散プランナである。
論文 参考訳（メタデータ） (2026-07-14T06:54:03Z) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T21:17:53Z) - Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。
i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-09T06:26:02Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。
本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
論文 参考訳（メタデータ） (2025-02-05T20:51:28Z) - Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z)
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。