論文の概要: Multi-Objective Compliance-Integrated Coevolution For Simulated And Real-World Deployment Of Multi-Robot Marine Autonomy

• arxiv url: http://arxiv.org/abs/2607.26279v1
• Date: Tue, 28 Jul 2026 21:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.4729
• Title: Multi-Objective Compliance-Integrated Coevolution For Simulated And Real-World Deployment Of Multi-Robot Marine Autonomy
• Title（参考訳）: マルチロボット海洋オートノミーのシミュレーションと実世界展開のための多目的コンプライアンス統合型コエボリューション
• Abstract要約: 本稿では,チーム進捗の最大化と規範違反の最小化のバランスをとるために,共進化行動とコンプライアンス行動とを融合した多目的フレームワークを提案する。 ハードウェア展開時に最大8台の車両とシミュレーション中の12台の車両との協調救助任務における衝突を回避し,高いチームパフォーマンスを実現することを実証した。
• 参考スコア（独自算出の注目度）: 4.879725885276144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative robots are well-suited to maritime missions that benefit from coordination, such as the exploration of unknown reef structures, inspection of subsea infrastructure, or search-and-rescue operations. These missions typically provide sparse feedback signals for measuring progress and require adherence to safety and regulatory norms, turning a mission into a multi-objective optimization problem. Coevolutionary algorithms can process these sparse feedback signals to generate coordinated behaviors, and in some cases extend behaviors to multiple objectives. However, incorporating high-level team objectives with low-level compliance considerations on the fly to balance norm adherence with team performance remains elusive. This paper introduces a multi-objective framework that blends coevolved behaviors with compliance behaviors to achieve a balance between maximizing team progress and minimizing norm violations. The key insight is to decouple learning from compliance since operational norms are prescribed rather than discovered. We demonstrate that our framework achieves high team performance while avoiding collisions on a collaborative swimmer rescue mission with up to 8 vehicles in a hardware deployment, and 12 vehicles in simulation. The key contribution of this paper is Marine Multi-Objective Compliance-Integrated Coevolution (MMOCIC), a framework that blends team-wide optimization with established norms for real-world deployments of learning-based coordination.
• Abstract（参考訳）: 協力型ロボットは、未知のサンゴ礁構造物の探索、海底インフラの検査、捜索救助活動などの協調の恩恵を受ける海洋ミッションに適している。 これらのミッションは一般的に、進捗を計測し、安全基準と規制基準の遵守を必要とするスパースフィードバック信号を提供し、ミッションを多目的最適化問題に転換する。 進化的アルゴリズムはこれらの疎いフィードバック信号を処理して協調した振る舞いを生成することができ、場合によっては複数の目的に振舞うことができる。 しかし、ハイレベルなチームの目標を低レベルなコンプライアンスに組み込むことで、チームのパフォーマンスと標準の適合性をバランスさせます。 本稿では,チーム進捗の最大化と規範違反の最小化のバランスをとるために,共進化行動とコンプライアンス行動とを融合した多目的フレームワークを提案する。 主な洞察は、運用規範が発見されるよりむしろ規定されているため、コンプライアンスから学習を分離することである。 ハードウェア展開時に最大8台の車両とシミュレーション中の12台の車両との協調救助任務における衝突を回避し,高いチームパフォーマンスを実現することを実証した。 この論文の重要な貢献は、チーム全体の最適化と学習ベースの協調の現実的な展開のための確立された規範をブレンドするフレームワークである、Mine Multi-Objective Compliance-Integrated Coevolution (MMOCIC)である。

関連論文リスト

• Cooperative Multi-UAV Navigation in Complex Environments via Systematic Multi-Agent Deep Reinforcement Learning [14.620999662200795]
  局所的なオプティマトラップ、スパース報酬、エージェント間の不均衡の学習、クロスシナリオの一般化が不十分である。 本稿では,これらの課題を協調探索,実証利用,安全なカリキュラムスケジューリング,構造認識の一般化を通じて解決する多エージェント深層強化学習フレームワークを提案する。 シミュレーションの結果、コラボレーションの成功率、ナビゲーションの堅牢性、ゼロショットのクロスシナリオの一般化、動的環境適応性などにおいて、強い性能が確認された。
  論文  参考訳（メタデータ） (2026-07-28T14:16:11Z)
• Sampling-Based Coordination-Informed Multi-Objective Multi-Robot Reinforcement Learning [16.418881902763502]
  マルチロボットシステムは協調動作を維持しながら競合する目的を同時に最適化する必要がある。 本稿では,CIMORL(Coordination-Informed Multi-Objective Reinforcement Learning)フレームワークを紹介する。 本稿では, CIMORL-TS (Tree Search) と CIMORL-MPPI (MPPI) の2つのサンプリングベース変種とともに, CIMORL法について述べる。
  論文  参考訳（メタデータ） (2026-06-29T20:31:03Z)
• Benchmarking Open-Ended Multi-Agent Coordination in Language Agents [48.1363632826625]
  Alemは、手続き的に生成されたコーディネーションタスク、ソフトな特殊化、コミュニケーション、制御可能なコーディネーションの難しさを、長い水平サバイバルの世界に埋め込む。 Craftaxライクなダイナミックス上に構築されたオープンなマルチエージェント協調のためのJAXベースのベンチマークである$alem$を紹介します。
  論文  参考訳（メタデータ） (2026-06-06T21:13:43Z)
• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• 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)
• CoEnv: Driving Embodied Multi-Agent Collaboration via Compositional Environment [54.84167973913561]
  CoEnvは、安全な戦略探索のためにシミュレーションを活用するフレームワークであり、信頼性の高い現実世界のデプロイメントを保証する。 CoEnvは、物理的なワークスペースをデジタル化するリアル・ツー・シムのシーン再構築、コードベースの軌道生成によるリアルタイム計画と安全な配置のための衝突検出によるシム・トゥ・リアル転送の両方をサポートするVLM駆動のアクション合成という3つの段階を経験している。
  論文  参考訳（メタデータ） (2026-04-07T06:24:41Z)
• Deep Reinforcement Learning for Multi-Agent Coordination [8.250169938213558]
  本稿では,仮想フェロモンを用いて局所的・社会的相互作用をモデル化するS-MADRL(Stigmergic Multi-Agent Deep Reinforcement Learning)フレームワークを提案する。 我々は,ロボットが非対称な作業負荷分布に自己組織化される,最大8つのエージェントの最も効果的な協調を実現していることを示す。 この創発的行動は、自然界で観察される戦略に類似しており、混雑した環境下での分散マルチエージェント協調のためのスケーラブルなソリューションを示している。
  論文  参考訳（メタデータ） (2025-10-04T00:47:20Z)
• ReCoDe: Reinforcement Learning-based Dynamic Constraint Design for Multi-Agent Coordination [19.115931862737508]
  本稿では,分散化されたハイブリッドフレームワークReCoDeを紹介する。これは,最適化ベースのコントローラの信頼性と強化学習の適応性を融合させる。 本研究では、複雑なコンテキストベースの動きとコンセンサスを必要とするマルチエージェントナビゲーションタスクへのReCoDeの適用に焦点を当てる。 我々は,ユーザ定義コントローラの維持が不完全である場合でも,スクラッチから学習するよりも効率的であるという経験的(実際のロボット)および理論的証拠を提示する。
  論文  参考訳（メタデータ） (2025-07-25T10:47:39Z)
• Adaptability in Multi-Agent Reinforcement Learning: A Framework and Unified Review [9.246912481179464]
  MARL(Multi-Agent Reinforcement Learning)は、シミュレーションベンチマークと制約付きシナリオ間で複数のエージェントを協調する上で、明らかな効果を示している。 この調査は、動的で実世界のマルチエージェントシステムへのデプロイに適したアルゴリズムの開発に寄与する。
  論文  参考訳（メタデータ） (2025-07-14T10:39:17Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• UneVEn: Universal Value Exploration for Multi-Agent Reinforcement Learning [53.73686229912562]
  我々はUniversal Value Exploration(UneVEn)と呼ばれる新しいMARLアプローチを提案する。 UneVEnは、一連の関連するタスクと、普遍的な後継機能の線形分解を同時に学習する。 一連の探索ゲームにおける実証的な結果、エージェント間の重要な調整を必要とする協調捕食・捕食作業への挑戦、およびStarCraft IIのマイクロマネジメントベンチマークは、UneVEnが他の最先端のMARLメソッドが失敗するタスクを解決できることを示している。
  論文  参考訳（メタデータ） (2020-10-06T19:08:47Z)

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。