論文の概要: Adaptive Repulsive Pheromone Clustering for Foraging Robot Swarms

• arxiv url: http://arxiv.org/abs/2608.16822v1
• Date: Mon, 17 Aug 2026 17:11:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.804007
• Title: Adaptive Repulsive Pheromone Clustering for Foraging Robot Swarms
• Title（参考訳）: ロボット群捕集のための適応的反発性フェロモンクラスタリング
• Abstract要約: Central Place Foraging Algorithm (CPFA)は、現場の忠実さ、フェロモン誘導ナビゲーション、非インフォームランダム検索を組み合わせて、ロボット群における分散リソース収集を可能にする。 本稿では, ロボットが事前に探索した位置を示すために, パルスフェロモンの経路点を堆積するバイオインスパイアされた手法であるAdaptive Repulsive Pheromone Clustering (ARPC)を提案する。
• 参考スコア（独自算出の注目度）: 5.439483900738279
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Central Place Foraging Algorithm (CPFA) combines site fidelity, pheromone-guided navigation, and uninformed random search to enable decentralized resource collection in robot swarms. However, CPFA often revisits previously explored regions while leaving other areas insufficiently searched, reducing efficiency as resources become scarce. In this paper, we propose Adaptive Repulsive Pheromone Clustering (ARPC), a bio-inspired method in which robots deposit repulsive pheromone waypoints to mark previously explored locations. These waypoints are clustered around the nest to estimate low-value search regions, allowing robots to be redirected toward likely unvisited areas. By integrating the exploitation of known resources with systematic avoidance of redundant exploration, ARPC improves search diversity and resource discovery efficiency. Extensive simulations in ARGoS across varying arena sizes, resource densities, and clustered, random, and power-law spatial distributions demonstrate that ARPC consistently outperforms CPFA and the Grid-Based CPFA (GPFA). In particular, ARPC yields significant gains during both early discovery (10\%) and late-stage (up to 60\%) collection, where conventional methods typically degrade. These results indicate that ARPC provides a scalable and robust strategy for large-scale heterogeneous swarm foraging environments.
• Abstract（参考訳）: Central Place Foraging Algorithm (CPFA)は、現場の忠実さ、フェロモン誘導ナビゲーション、非インフォームランダム検索を組み合わせて、ロボット群における分散リソース収集を可能にする。 しかし、CPFAは以前調査された地域を再検討する一方で、他の地域を十分に探すことができず、資源が不足するにつれて効率が低下する。 本稿では, ロボットが事前に探索した位置を示すために, パルスフェロモンの経路点を堆積するバイオインスパイアされた手法であるAdaptive Repulsive Pheromone Clustering (ARPC)を提案する。 これらのウェイポイントは、低い値の探索領域を推定するために、巣の周りに集結している。 ARPCは、既知のリソースの活用と冗長探索の体系的な回避を統合することにより、検索の多様性とリソース発見効率を向上させる。 様々なアリーナサイズ、資源密度、クラスタ化、ランダム、およびパワーロー空間分布にわたるARGoSの大規模なシミュレーションは、ARPCがCPFAとGrid-Based CPFA(GPFA)を一貫して上回ることを示した。 特に、ARPCは早期発見(10\%)と後期(最大60\%)の両方で顕著な利得を得られる。 これらの結果は、ARPCが大規模ヘテロジニアス群養殖環境に対してスケーラブルで堅牢な戦略を提供することを示している。

関連論文リスト

• Process Reward Informed Tree Rollout for Effective Multi-Turn RL [58.392997761968566]
  長期のエージェントタスクでは、均一なロールアウト戦略は、非形式的なデッドエンドの試みに予算を無駄にする可能性がある。 本稿では,マルチターンエージェントRLの品質を意識したロールアウトフレームワークであるProcess-Scorer Guided Adaptive Tree Rollout (PATR)を提案する。 PATRはタスクに適したプロセスフィードバックを使用して部分的軌跡をスコアし、将来性のある状態から選択的に分岐し、共有プレフィックスを再利用し、無駄なサンプリングを減らすために経路を保守的に停止する。
  論文  参考訳（メタデータ） (2026-07-17T04:16:58Z)
• A Visitation Grid for Complete Coverage Foraging in Robot Swarms [9.918320116606997]
  大規模で未知の環境におけるリソースの完全な収集は、自律ロボット群にとって難しい問題である。 本稿では,余分な訪問を明示的に減らし,最終段階の収集を加速するグリッドベースの採餌戦略を提案する。 提案手法は,ミッションの最終段階において,収集時間を最大33%削減し,収集効率を48%以上向上させる。
  論文  参考訳（メタデータ） (2026-05-21T03:27:49Z)
• AR-CoPO: Align Autoregressive Video Generation with Contrastive Policy Optimization [47.39648302477585]
  ストリーミング自動回帰(AR)ビデオジェネレータと数段蒸留を組み合わせることで、低レイテンシで高品質な合成を実現する。 本稿では,ストリーミングAR生成に対するNighbor GRPOのコントラスト的視点を適応させるフレームワークであるAR-CoPOを提案する。
  論文  参考訳（メタデータ） (2026-03-18T08:07:01Z)
• Autonomous Search for Sparsely Distributed Visual Phenomena through Environmental Context Modeling [19.849681217543036]
  AUVはサンゴ礁の調査にますます使われているが、特定のサンゴの種を効率的に見つけることは依然として困難である。 我々は、その信号として視覚環境コンテキスト(標的種と共生する傾向がある生息環境特徴)を用いることを提案する。 我々は,アメリカ領ヴァージン諸島セントジョンの2つのサンゴ礁でAUVが収集した実際の画像を用いて,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-03-10T19:11:34Z)
• Controllable Exploration in Hybrid-Policy RLVR for Multi-Modal Reasoning [88.42566960813438]
  CalibRLは、制御可能な探索と専門家のガイダンスをサポートするハイブリッド政治RLVRフレームワークである。 CalibRLは政策エントロピーを誘導的に増加させ、目標分布を明らかにする。 ドメイン内設定とドメイン外設定の両方を含む8つのベンチマークの実験は、一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-02-22T07:23:36Z)
• Generalizable Collaborative Search-and-Capture in Cluttered Environments via Path-Guided MAPPO and Directional Frontier Allocation [7.6658082440595186]
  乱雑な環境における協調的追従回避は、まばらな報酬と制約された視野による重大な課題を示す。 反応制御によるトポロジカルプランニングをブリッジする階層型フレームワークであるPGF-MAPPOを提案する。 実験により、PGF-MAPPOはより高速なエバダに対して捕集効率が優れていることが示された。
  論文  参考訳（メタデータ） (2025-12-10T08:09:12Z)
• Stratified GRPO: Handling Structural Heterogeneity in Reinforcement Learning of LLM Search Agents [90.45197506653341]
  大規模言語モデル(LLM)エージェントは、複雑なマルチステップ問題を解決するために、検索エンジンのような外部ツールに依存している。 サーチエージェントの軌道は構造的に不均一であり、サーチコールの数、配置、結果の変動は、根本的に異なる応答方向と報酬分布をもたらす。 1つのグローバルベースラインを使用する標準方針勾配法は、私たちが認識し、層間バイアスとして定式化するものに苦しむ。 本稿では,SAN (Stratified Advantage Normalization) の中心成分であるStratified GRPOを提案する。
  論文  参考訳（メタデータ） (2025-10-07T17:59:13Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Random Latent Exploration for Deep Reinforcement Learning [71.88709402926415]
  RLE(Random Latent Exploration)は、強化学習における単純かつ効果的な探索戦略である。 RLEは、エージェントの行動を混乱させるノイズベースの手法と、新しい行動を試みるエージェントに報酬を与えるボーナスベースの探索を平均的に上回る。 RLEはノイズベースの手法と同じくらい単純であり、複雑なボーナス計算は避けるが、ボーナスベースの手法の深い探索の利点を保っている。
  論文  参考訳（メタデータ） (2024-07-18T17:55:22Z)
• Adversarial Reweighting with $α$-Power Maximization for Domain Adaptation [56.859005008344276]
  我々は、$alpha$-Power Maximization (ARPM) を用いたAdversarial Reweightingと呼ばれる新しいアプローチを提案する。 本稿では,ソースプライマリなクラスサンプルを特定するために,逆向きにソースドメインデータを再重み付けすることを学習する,新しい逆方向再重み付けモデルを提案する。 提案手法は最近のPDA法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-26T09:29:55Z)
• Surpassing legacy approaches to PWR core reload optimization with single-objective Reinforcement learning [0.0]
  単目的および多目的の最適化のための深層強化学習(DRL)に基づく手法を開発した。 本稿では、PPO(Proximal Policy Optimization)を用いて、RLに基づくアプローチの利点を実証する。 PPOは学習可能なウェイトを持つポリシーで検索機能を適応し、グローバル検索とローカル検索の両方として機能する。
  論文  参考訳（メタデータ） (2024-02-16T19:35:58Z)
• 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)

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。