論文の概要: Gaussian Processes for Modelling Spatial Fields with Robot Swarms
- arxiv url: http://arxiv.org/abs/2609.17463v1
- Date: Tue, 15 Sep 2026 17:03:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.631851
- Title: Gaussian Processes for Modelling Spatial Fields with Robot Swarms
- Title（参考訳）: ロボット群を用いた空間場モデリングのためのガウス過程
- Abstract要約: 本研究では,空間場モデリングの解法として,位置認識型ガウス過程回帰(LU-GPR)を導入する。
LU-GPRにより、各ロボットは宇宙空間におけるフィールドの後方平均と分散を推定でき、同時に基準の共通フレームに同調する。
この結果から,LU-GPRはロボットの数に匹敵し,通信範囲が限られていることがわかった。
- 参考スコア（独自算出の注目度）: 9.178969775955185
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robot swarms, by virtue of their decentralised architecture, are a natural tool for scalable, robust modelling of spatial fields, such as water temperature, wind velocity, or terrain elevation. However, existing methods rely on external positioning systems that allow each robot to determine its own position in space. Here, we introduce location-unaware Gaussian process regression (LU-GPR) as a solution to the modelling of spatial fields in the absence of such positioning systems. LU-GPR allows each robot to infer the posterior mean and variance of the field in space, while simultaneously agreeing on a common frame of reference with its peers, using only local sensing and communication. We propose an online algorithm that allows each robot to consistently infer local estimates as its local frame of reference converges to the common one. By means of a product of experts model, each robot also combines the estimates of its peers with its own to obtain a global model. Our results show that LU-GPR scales well with the number of robots and is robust to limited communication ranges. We also demonstrate how it can be used in real-world monitoring scenarios to estimate the flow of an evacuating crowd.
- Abstract（参考訳）: ロボット群は、その分散化されたアーキテクチャにより、水温、風速、地形の標高といった空間場のスケーラブルで堅牢なモデリングのための自然なツールである。
しかし、既存の手法は、各ロボットが空間における自身の位置を決定できる外部位置決めシステムに依存している。
本稿では,位置認識型ガウス過程回帰(LU-GPR)を,そのような位置決めシステムがない場合の空間場モデリングの解決策として紹介する。
LU-GPRは、各ロボットが空間におけるフィールドの後方平均と分散を推論し、同時に、局所的なセンシングと通信のみを使用して、仲間との共通参照フレームに一致させることができる。
本稿では,各ロボットが参照の局所的なフレームが共通に収束するにつれて,各ロボットが常に局所的な推定を推測できるオンラインアルゴリズムを提案する。
専門家モデルの産物により、それぞれのロボットは、仲間の見積もりとそれ自身の推定を組み合わせ、グローバルモデルを得る。
この結果から,LU-GPRはロボットの数に匹敵し,通信範囲が限られていることがわかった。
また、実際の監視シナリオでどのように使用できるかを示し、避難する群衆の流れを推定する。
関連論文リスト
- Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。
本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。
我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
論文 参考訳（メタデータ） (2026-06-04T15:52:40Z) - 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) - SpatiaLoc: Leveraging Multi-Level Spatial Enhanced Descriptors for Cross-Modal Localization [14.55605595737025]
テキストとポイントクラウドを使用したクロスモーダルなローカライゼーションにより、ロボットは自然言語記述を通じて自分自身をローカライズすることができる。
SpatiaLocは、空間的関係をインスタンスレベルとグローバルレベルの両方で強調するフレームワークである。
KITTI360Poseの実験により、SpatiaLocは既存の最先端(SOTA)法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2026-01-07T04:50:39Z) - Holistic Fusion: Task- and Setup-Agnostic Robot Localization and State Estimation with Factor Graphs [19.359422457413576]
この研究は、タスクとセットアップに依存しないマルチモーダルセンサー融合のための柔軟なオープンソースソリューションを導入している。
ホロスティックフュージョン (HF) は, 局所的および大域的ロボット状態と, 動的文脈変数の(理論的に無制限な)数との組合せとして, センサフュージョンを定式化する。
HFは、一般的なロボットハードウェア上で低レイテンシかつスムーズなオンライン状態推定を可能にし、同時にIMU測定速度で低ドリフトグローバルなローカライゼーションを提供する。
論文 参考訳（メタデータ） (2025-04-08T22:54:52Z) - Hearing the shape of an arena with spectral swarm robotics [0.0]
ロボットが隣人に情報を拡散してラプラシアン演算子をエミュレートするスペクトルスウォームロボットを紹介した。
本研究では,アリーナ形状のワンショット分類による課題条件下でのスペクトルスウォームロボティクスの検証を行った。
スペクトル法はロボティクスを超えて、交通や群衆といった様々な性質のエージェントの群れを分析し、調整することができる。
論文 参考訳（メタデータ） (2024-03-25T19:50:07Z) - 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) - Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for
Multi-Robot Systems [92.26462290867963]
Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。
我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
論文 参考訳（メタデータ） (2021-06-28T03:56:40Z) - Kimera-Multi: a System for Distributed Multi-Robot Metric-Semantic
Simultaneous Localization and Mapping [57.173793973480656]
本稿では,高密度メカニカル・セマンティックSLAMのための完全分散マルチロボットシステムを提案する。
私たちのシステムはKimera-Multiと呼ばれ、視覚慣性センサーを備えたロボットチームによって実装されています。
Kimera-Multiは環境の3Dメッシュモデルをリアルタイムで構築し、メッシュの各面にセマンティックラベルをアノテートする。
論文 参考訳（メタデータ） (2020-11-08T21:38:12Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。