論文の概要: Decentralized Multi-Robot Exploration with Probabilistic Peer Intent and Multi-hop Plan Propagation

• arxiv url: http://arxiv.org/abs/2609.22726v1
• Date: Sat, 19 Sep 2026 03:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:30:25.12255
• Title: Decentralized Multi-Robot Exploration with Probabilistic Peer Intent and Multi-hop Plan Propagation
• Title（参考訳）: 確率的ピアインテントとマルチホップ計画伝搬を用いた分散マルチロボット探査
• Abstract要約: 限られたコミュニケーション下での効率的な協調は、分散化されたマルチロボット探索において重要な課題である。 既存のMonte Carlo Tree Search (MCTS)ベースのアプローチは、ピアインテントを考慮した分散計画を可能にする。 本稿では,ピアトラジェクトリを予測意図の連続空間表現に変換する確率的ピアインテント(PPI)を紹介する。 また、複数のホップを横断する計画の伝播により、直接通信範囲を超えてピア意図を共有する効果についても検討する。
• 参考スコア（独自算出の注目度）: 5.079625332191103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient coordination under limited communication remains a key challenge in decentralized multi-robot exploration. While centralized approaches benefit from global information sharing, they are often impractical in large-scale or communication-constrained environments. Existing Monte Carlo Tree Search (MCTS)-based approaches, such as Decentralized Monte Carlo Exploration (DMCE), enable decentralized planning by taking peer intent into account. This peer intent is obtained by communicating sequences of planned waypoints with robots within direct communication range. In this work, we extend this idea by introducing Probabilistic Peer Intent (PPI), which converts peer trajectories into a continuous spatial representation of predicted intent and incorporates it into local MCTS action evaluation. We additionally study the effects of sharing peer intent beyond direct communication range by propagating plans over multiple hops. Experiments across multiple simulated environments and team sizes show that PPI and Multi-hop propagation can each improve decentralized exploration, with their relative benefits depending on environment structure and team size. We also demonstrate the real-world deployment of our method on three robots operating in different environment types.
• Abstract（参考訳）: 限られたコミュニケーション下での効率的な協調は、分散化されたマルチロボット探索において重要な課題である。 中央集権的なアプローチはグローバルな情報共有の恩恵を受けるが、大規模または通信制約のある環境では実践的ではないことが多い。 モンテカルロ探索(DMCE)のような既存のモンテカルロ木探索(MCTS)ベースのアプローチは、ピアインテントを考慮した分散計画を可能にする。 このピアインテントは、計画されたウェイポイントのシーケンスをロボットと直接通信範囲内で通信することで得られる。 本研究では,PPI(Probabilistic Peer Intent)を導入して,ピアトラジェクトリを予測意図の連続的な空間表現に変換し,局所MCTS行動評価に組み込む。 また、複数のホップを横断する計画の伝播により、直接通信範囲を超えてピア意図を共有する効果についても検討する。 複数のシミュレートされた環境とチームサイズにわたる実験では、PPIとマルチホップの伝播がそれぞれ、環境構造やチームサイズに応じて相対的なメリットを持って、分散的な探索を改善することが示されています。 また,異なる環境下で動作している3つのロボットに対して,本手法の実際の展開を実証する。

関連論文リスト

• Learning to Communicate Locally for Large-Scale Multi-Agent Pathfinding [48.1609560841622]
  本稿では,効率的な特徴共有を通じてエージェント間の協調を強化するための学習可能な通信モジュールを提案する。 提案手法は既存の学習ベースMAPFソルバよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-08T12:05:08Z)
• Multi-Robot Decentralized Collaborative SLAM in Planetary Analogue Environments: Dataset, Challenges, and Lessons Learned [4.08676219075262]
  C-SLAM実験から得られた知見と教訓を,火星の類似地形で動作する3つのロボットを用いて提示する。 我々は,C-SLAMの性能と,惑星のような環境によって引き起こされるユニークな局部化課題に対する,限定的・断続的なコミュニケーションの影響について検討した。 実験中に収集した新しいデータセットには、リアルタイムのピア・ツー・ピア・ロボット間スループットとレイテンシの測定が含まれている。
  論文  参考訳（メタデータ） (2026-01-28T21:40:46Z)
• Federated Multi-Agent Mapping for Planetary Exploration [0.4143603294943439]
  本稿では,エージェント間のグローバルマップモデルを生データを送信することなく,協調的にトレーニングするフェデレーション型マルチエージェントマッピング手法を提案する。 提案手法は暗黙的ニューラルマッピングを利用してパシモニアスで適応可能な表現を生成し,生のマップと比較して最大93.8%のデータを伝送する。 我々は,火星の地形や氷河のデータセットに対するアプローチの有効性を実証し,F1スコアを0.95ポイントまで下方経路計画を達成するとともに,地図の復元損失に勝る結果を得た。
  論文  参考訳（メタデータ） (2024-04-02T20:32:32Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• Optimizing Crowd-Aware Multi-Agent Path Finding through Local Communication with Graph Neural Networks [15.88107215224685]
  混在環境におけるマルチエージェントパス探索 (MAPF) は, 移動計画において困難な問題となる。 本稿では,この問題を解決するために,クラウド対応の分散強化学習手法であるCRAMPを紹介する。 CRAMPは, メースパンと衝突数で測定された溶液品質を最大59%改善し, 従来の方法と比較して最大35%改善した。
  論文  参考訳（メタデータ） (2023-09-19T03:02:43Z)
• A Scalable Multi-Robot Framework for Decentralized and Asynchronous Perception-Action-Communication Loops [72.1902268440158]
  グローバルな目的を達成するため,大規模なロボット群における協調作業は,大規模環境における課題である。 ロボットはパーセプション・アクション・コミュニケーションループを実行し、ローカル環境を認識し、他のロボットと通信し、リアルタイムで行動を起こす必要がある。 近年では、フロッキングやカバレッジ制御などのアプリケーションでグラフニューラルネットワーク(GNN)を使用してこの問題に対処している。 本稿では、分散化されたGNNを用いてナビゲーション動作を計算し、通信のためのメッセージを生成するロボット群における非同期PACフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T21:20:50Z)
• Policy Evaluation in Decentralized POMDPs with Belief Sharing [39.550233049869036]
  エージェントが直接環境状態を観察しないような協調的政策評価タスクについて検討する。 本稿では,コミュニケーションネットワーク上での個別更新と局所的インタラクションに依存する,完全に分散化された信念形成戦略を提案する。
  論文  参考訳（メタデータ） (2023-02-08T15:54:15Z)
• 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)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)

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。