論文の概要: Cooperative Risk-Aware Exploration in Heterogeneous Multi-Robot Systems Using Algorithmic Altruism

• arxiv url: http://arxiv.org/abs/2608.28409v1
• Date: Fri, 28 Aug 2026 14:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.374844
• Title: Cooperative Risk-Aware Exploration in Heterogeneous Multi-Robot Systems Using Algorithmic Altruism
• Title（参考訳）: アルゴリズム的アルトリズムを用いた異種多ロボットシステムの協調的リスク認識探索
• Abstract要約: 本稿では,生態系にインスパイアされた利他的行動に基づく協調的リスク意識探索のためのゲーム理論フレームワークを開発する。 我々は、地域被覆と不確実性低減に報いるエージェントの探索ユーティリティを定義し、冗長性とリスクを罰する。 シミュレーションにより、利他的計画は冗長な探索を減らし、ロボット間の分離を改善し、エージェント値に従ってリスクを再配置することを示した。
• 参考スコア（独自算出の注目度）: 5.8411170261618865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-robot systems are well-positioned for exploration in hazardous environments, but effective deployment requires deciding not only where robots should gather information, but also how risk should be distributed across heterogeneous team members. This paper develops a game-theoretic framework for cooperative risk-aware exploration based on ecologically inspired altruistic behavior. Each robot selects a finite-horizon trajectory to maximize information gain while penalizing redundant exploration and expected hazard exposure. Heterogeneity is introduced through agent-specific value parameters for encoding altruistic coupling, which is modeled through relatedness weights inspired by Hamilton's rule. We introduce a game-theoretic structure for trajectory planning that defines a Social Nash Equilibrium, which modifies the utility of agent actions according to agent relatedness. This utility shaping causes agents to internalize the effect of their trajectory choices on teammates, encouraging lower-valued robots to accept risk when doing so benefits higher-valued agents and improves team performance. We define an exploration utility for agents that rewards area coverage and uncertainty reduction, while also penalizing redundancy and risk, enabling projected gradient-based waypoint optimization in a receding-horizon planner. Simulations show that altruistic planning reduces redundant exploration, improves inter-robot separation, and reallocates risk according to agent value while maintaining comparable map coverage. We further demonstrate the approach in hardware experiments, where planned waypoints are tracked by wheeled robots using single-integrator controllers and barrier certificates.
• Abstract（参考訳）: マルチロボットシステムは、危険な環境での探索に適しているが、効果的な展開には、ロボットが情報を収集する場所だけでなく、不均一なチームメンバー間でどのようにリスクを分散すべきかを判断する必要がある。 本稿では,生態系にインスパイアされた利他的行動に基づく協調的リスク意識探索のためのゲーム理論フレームワークを開発する。 各ロボットは、冗長な探索と予測されるハザード露光をペナル化しながら、情報ゲインを最大化するために有限水平軌道を選択する。 不均一性は、ハミルトンの法則にインスパイアされた関連性の重みを通してモデル化される利他的結合を符号化するためのエージェント固有値パラメータによって導入される。 エージェント関連性に応じてエージェントアクションの有効性を変更するソーシャルナッシュ平衡を定義するトラジェクトリ計画のためのゲーム理論構造を導入する。 このユーティリティ・シェイピングは、エージェントがチームメイトに対して軌道選択の影響を内部化させ、より価値の高いエージェントに利益をもたらすとリスクを受け入れることを奨励し、チームのパフォーマンスを向上させる。 我々は,地域被覆と不確実性低減に報いるエージェントの探索ユーティリティを定義し,また冗長性とリスクをペナルティ化し,回帰水平プランナーにおける勾配に基づく経路点最適化を実現する。 シミュレーションにより、利他的計画は冗長な探索を減らし、ロボット間の分離を改善し、エージェントの値に応じてリスクを再配置し、マップのカバレッジを同等に維持することを示した。 ハードウェア実験において、単一積分器コントローラとバリア証明書を用いて、計画されたウェイポイントを車輪付きロボットによって追跡する手法をさらに実証する。

関連論文リスト

• SAGE: A Socially-Aware Generative Engine for Heterogeneous Multi-Agent Navigation [20.851820019451587]
  本稿では,異種マルチエージェントナビゲーションのための社会認識型生成エンジンであるSAGEを提案する。 推論中、SAGEは異なる衝突、キネマティック、タスクプログレス、ロール条件の社会コンプライアンス用語を用いて、サンプル化されたロボット軌道を洗練する。 提案する誘導機構は,衝突と社会侵害率を一貫して低減し,最大20台のロボットのチームまで拡大し,再訓練することなく,安全・精度・タスクトレードオフの明確な制御を可能にする。
  論文  参考訳（メタデータ） (2026-07-18T03:40:59Z)
• World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
  Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。 内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。 nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
  論文  参考訳（メタデータ） (2026-07-12T07:44:16Z)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments [19.811711277536187]
  マルチロボット探索は通常、フロンティア割り当てをローカルナビゲーションから切り離す。 VORL-EXPLOREは,この制約に対処するハイブリッド学習・計画フレームワークである。 また、グローバルA*ガイダンスとリアクティブ強化学習ポリシーとの間のリスク対応適応的仲裁機構も推進している。
  論文  参考訳（メタデータ） (2026-03-09T05:20:33Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• REBEL: Reward Regularization-Based Approach for Robotic Reinforcement Learning from Human Feedback [61.54791065013767]
  報酬関数と人間の嗜好の相違は、現実世界で破滅的な結果をもたらす可能性がある。 近年の手法は、人間の嗜好から報酬関数を学習することで、不適応を緩和することを目的としている。 本稿では,ロボットRLHFフレームワークにおける報酬正規化の新たな概念を提案する。
  論文  参考訳（メタデータ） (2023-12-22T04:56:37Z)
• Learning Risk-Aware Quadrupedal Locomotion using Distributional Reinforcement Learning [12.156082576280955]
  危険環境への展開には、ロボットが事故を防ぐための行動や動きに関連するリスクを理解する必要がある。 本稿では,分散強化学習を用いたリスクセンシティブな移動訓練手法を提案する。 シミュレーションおよび四足歩行ロボットANYmalにおいて,突発的リスクに敏感な移動行動を示す。
  論文  参考訳（メタデータ） (2023-09-25T16:05:32Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。