論文の概要: Provably Safe Decentralized Contingency MPC under State-Only Information and Limited Sensing for Nonlinear Multi-agent Systems

• arxiv url: http://arxiv.org/abs/2608.30874v1
• Date: Mon, 31 Aug 2026 14:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.448666
• Title: Provably Safe Decentralized Contingency MPC under State-Only Information and Limited Sensing for Nonlinear Multi-agent Systems
• Title（参考訳）: 非線形マルチエージェントシステムにおける状態情報と限定センシングによる安全な分散化MPC
• Abstract要約: 分散並行性MPCは、状態のみの情報パターンの下でマルチエージェント制御を行う。 このフレームワークは、安全均衡に対する実行可能な緊急操作が常に利用可能であるエージェントワイズフォールバック領域(セーフセット)に依存している。 下位の保証を維持しながら、より保守的な非集中的なインタラクションをサポートする、新しいセーフセット更新メカニズムが導入されている。
• 参考スコア（独自算出の注目度）: 1.5856188608650232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper considers decentralized contingency MPC for multi-agent control under a state-only information pattern, with particular focus on limited sensing and plug-and-play operation. The objective is to retain recursive feasibility, safety, and Lyapunov-type convergence while reducing conservatism in local interaction handling. The framework relies on agent-wise fallback regions (safe sets) in which a feasible contingency maneuver to a safe equilibrium is always available. A novel safe-set update mechanism is introduced that supports less conservative decentralized interaction while preserving the underlying guarantees. This, in turn, enables memory-free local interaction and finite sensing ranges without requiring agents to reconstruct the exact neighbor geometry. The resulting scheme remains fully decentralized and preserves the shared-first-input contingency MPC structure. Theoretical guarantees and simulation results illustrate the effectiveness of the approach in dense multi-agent scenarios.
• Abstract（参考訳）: 本稿では,マルチエージェント制御のための分散並列MPCについて,特にセンサやプラグアンドプレイ操作の制限に着目した状態のみの情報パターンで考察する。 目的は、局所的な相互作用処理における保守性を低減しつつ、再帰的実現可能性、安全性、リャプノフ型の収束を維持することである。 このフレームワークは、安全均衡に対する実行可能な緊急操作が常に利用可能であるエージェントワイズフォールバック領域(セーフセット)に依存している。 下位の保証を維持しながら、より保守的な非集中的なインタラクションをサポートする、新しいセーフセット更新メカニズムが導入されている。 これにより、隣接する正確な幾何学を再構築するエージェントを必要とせずに、メモリフリーな局所的相互作用と有限センシング範囲を可能にする。 結果として得られるスキームは完全に分散化され、共有ファーストインプット・インプットのMPC構造が保存される。 理論的な保証とシミュレーションの結果は、密集したマルチエージェントシナリオにおけるアプローチの有効性を示している。

関連論文リスト

• Decentralized Safe Multi-Agent Reinforcement Learning via Predictive Shielding [0.5461938536945722]
  モデルに基づく有限地平線Q-ラーニングと予測遮蔽を統合した分散フレームワークを提案する。 このアプローチにより、エージェントはデプロイ中にトレーニング済みのポリシーを安全に適用できる。
  論文  参考訳（メタデータ） (2026-09-07T15:22:16Z)
• Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats [76.98547580312116]
  本稿では,分散モデル予測制御(MPC)と制御バリア関数(CBF)を組み合わせたハイブリッドフレームワークを提案する。 リアルタイムに安全を確保するため、分散CBFベースのフィルタを適用し、エージェント間回避を強制する。
  論文  参考訳（メタデータ） (2026-07-22T16:37:05Z)
• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• Decentralized Contingency MPC based on Safe Sets for Nonlinear Multi-agent Collision Avoidance [1.5856188608650232]
  本稿では,非線形力学を持つマルチエージェントシステムのための分散並列MPCフレームワークを開発する。 状態のみの情報パターンの下では、各エージェントは同じ合意的ルールセットに従い、コミュニケーションなしで安全な分散計画を可能にする。 シミュレーションの結果はスパース環境と密集型マルチエージェント環境の両方で性能を示す。
  論文  参考訳（メタデータ） (2026-05-11T15:40:36Z)
• Mechanical Conscience: A Mathematical Framework for Dependability of Machine Intelligenc [0.0]
  本稿では、新しい概念と単純化された数学的枠組みである機械的良心(MC)を紹介する。 MCは、単一エージェントと分散インテリジェントシステムの両方のトラジェクトリレベルの規範的規制を運用している。 中心となる理論的性質は、許容性等価性、最適規制の存在、単調偏差減少である。
  論文  参考訳（メタデータ） (2026-05-05T15:14:02Z)
• Accelerated Online Risk-Averse Policy Evaluation in POMDPs with Theoretical Guarantees and Novel CVaR Bounds [9.269394037577177]
  この研究は、部分的に観測可能な領域における条件付き値-アット・リスク評価を加速するための理論的枠組みを導入する。 単純化された信念-MDPから計算可能なCVaR値関数の上下境界を確立する。 我々は,確率的保証を伴う粒子信頼型MDPフレームワーク内で,これらの境界に対する推定器を開発する。
  論文  参考訳（メタデータ） (2026-02-26T15:01:40Z)
• MAD-PINN: A Decentralized Physics-Informed Machine Learning Framework for Safe and Optimal Multi-Agent Control [13.531665564516155]
  大規模マルチエージェントシステムにおける安全性とパフォーマンスの最適化は、依然として根本的な課題である。 マルチエージェント状態制約最適制御問題を解くための分散機械学習フレームワークMAD-PINNを提案する。 マルチエージェントナビゲーションタスクの実験では、MAD-PINNは優れた安全性と性能のトレードオフを実現し、エージェントの数が増えるにつれてスケーラビリティを維持し、常に最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-28T16:31:22Z)
• Think Smart, Act SMARL! Analyzing Probabilistic Logic Shields for Multi-Agent Reinforcement Learning [3.7957452405531265]
  Shielded Multi-Agent Reinforcement Learning (SMARL)は、MARLを標準に準拠した結果にステアリングするための一般的なフレームワークである。 主なコントリビューションは次のとおりです。 Probabilistic Logic Temporal difference (PLTD) update for shielded, independent Q-learning; MARLの形式的安全性を保証するシールド付きPPOの確率論的論理ポリシー勾配法 対称的および非対称的に遮蔽された$n$のプレイヤーゲーム理論ベンチマークを総合的に評価する。
  論文  参考訳（メタデータ） (2024-11-07T16:59:32Z)
• Networked Communication for Mean-Field Games with Function Approximation and Empirical Mean-Field Estimation [59.01527054553122]
  分散エージェントは、経験的システムの非絶対的実行から平均フィールドゲームにおいて平衡を学ぶことができる。 既存の設定に関数近似を導入し,Munchausen Online Mirror Descent 方式で描画する。 ポリシー情報の交換は,ネットワーク化されたエージェントが,機能近似設定において,独立エージェントと集中エージェントの両方より優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-21T13:32:46Z)
• Counterfactual Conservative Q Learning for Offline Multi-agent Reinforcement Learning [54.788422270960496]
  我々はCounterFactual conservative Q-Learning (CFCQL) という新しいマルチエージェントオフラインRLアルゴリズムを提案する。 CFCQLは、各エージェントの保守的正規化を非現実的に別々に計算し、それらを線形に組み合わせて全体的な保守的価値推定を実現する。 単一エージェントの保守的手法のように, まだ過小評価特性と性能保証を享受していることが証明されているが, 誘導正規化と安全な政策改善境界はエージェント番号とは無関係である。
  論文  参考訳（メタデータ） (2023-09-22T08:10:25Z)
• Monotonic Improvement Guarantees under Non-stationarity for Decentralized PPO [66.5384483339413]
  我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。 本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-31T20:39:48Z)
• Scalable Multi-Agent Reinforcement Learning for Residential Load Scheduling under Data Governance [5.37556626581816]
  マルチエージェント強化学習 (MARL) は, 協調型住宅負荷スケジューリング問題において, 顕著な進歩を遂げている。 MARLの最も一般的なパラダイムである集中型トレーニングは、通信制約のあるクラウドエッジ環境における大規模デプロイメントを制限する。 提案手法は,家庭の局所的な観察のみに基づく個人評論家の学習機能である,アクタ批判的手法に基づく。
  論文  参考訳（メタデータ） (2021-10-06T14:05:26Z)
• Dealing with Non-Stationarity in Multi-Agent Reinforcement Learning via Trust Region Decomposition [52.06086375833474]
  非定常性は多エージェント強化学習における厄介な問題である。 ポリシーシーケンスの定常性を明示的にモデル化するための$delta$-stationarity測定を導入する。 共同政策の分岐を推定するために,メッセージパッシングに基づく信頼領域分解ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-02-21T14:46:50Z)

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。