論文の概要: AC-DC: Adaptive Communication for Scalable Dynamic Average Consensus in Multi-Robot Ergodic Search
- arxiv url: http://arxiv.org/abs/2609.24702v1
- Date: Mon, 21 Sep 2026 14:48:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 15:25:41.802485
- Title: AC-DC: Adaptive Communication for Scalable Dynamic Average Consensus in Multi-Robot Ergodic Search
- Title（参考訳）: AC-DC:マルチロボットエルゴディック探索におけるスケーラブルな動的平均合意のための適応通信
- Abstract要約: 有限範囲, 有限レート, 干渉拘束通信下でのマルチロボットシステムに対するスケーラブルなピアツーピア動的平均コンセンサス(DC)について検討する。
本稿では,合意状態のどの部分において,誰と通信するか,何時,何時,何時,誰と通信するかを共同で適応するAC-DC(Adaptive Communication for Dynamic Average Consensus)を紹介する。
- 参考スコア（独自算出の注目度）: 2.561649173827544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study scalable peer-to-peer dynamic average consensus (DC) for multi-robot systems under finite-range, finite-rate, and interference-constrained communication. We introduce Adaptive Communication for Dynamic Average Consensus (AC-DC), which jointly adapts Who communicates with whom, When, and over What parts of the consensus state, using local inputs and successfully received neighbor information. Each robot's consensus state estimates the current average of the robots' local inputs. AC-DC updates these estimates as local inputs change and averages the values exchanged between robot pairs. In AC-DC, robot pairs update without waiting for every robot to complete a communication round, and the selected-state messages carry consensus state coordinates independent of team size for a fixed state representation. We apply AC-DC to dynamic-priority multi-robot ergodic search: one consensus stream estimates team visitation for motion coordination, while the other fuses regional measurement information to update uncertainty maps and search targets. Across twelve settings with up to 80 robots and 20 paired trials per setting, AC-DC has the lowest mean (i) normalized covariance-trace area under the curve (AUC) and (ii) attempted modeled communication payload among the compared decentralized methods. Averaged across settings, AC-DC achieves paired AUC reductions of 27.5% relative to state-of-the-art baselines, with 8.7x less communication traffic. As the number of robots increases, we observe that AC-DC's communication payload approaches that of the ideal centralized baseline (one ground compute-station communicating directly with all robots): with 120 robots in a fixed 600 x 600 m scaling test, AC-DC uses 19.3 MB versus 19.2 MB for the ideal centralized baseline, while remaining peer-to-peer.
- Abstract（参考訳）: 有限範囲,有限レート,干渉制約のある通信におけるマルチロボットシステムに対するスケーラブルなピアツーピア動的平均コンセンサス(DC)について検討する。
本稿では,どの部分のコンセンサス状態と通信し,どの部分でローカル入力を行い,近隣情報を受信したかを共同で適用するAC-DC(Adaptive Communication for Dynamic Average Consensus)を紹介する。
各ロボットのコンセンサス状態は、ロボットの局所的な入力の現在の平均を推定する。
AC-DCは、ローカル入力が変化し、ロボットペア間で交換された値の平均として、これらの見積を更新する。
AC-DCでは、各ロボットが通信ラウンドを完了するのを待たずにロボットペアが更新され、選択された状態メッセージは、固定状態表現のためにチームサイズに依存しないコンセンサス状態座標を運ぶ。
1つのコンセンサスストリームは、動き調整のためのチーム訪問を推定し、もう1つのコンセンサスストリームは、地域計測情報を融合して不確実性マップや検索ターゲットを更新する。
最大80台のロボットと20台のペア・トライアルを備えた12種類の設定で、AC-DCは最低値である
一 曲線(AUC)における正規化共分散トレース面積
(II) 比較した分散化手法の中で, 通信ペイロードのモデル化を試みた。
平均的な設定で、AC-DCは、最先端のベースラインと比較してAUCが27.5%減少し、通信トラフィックは8.7倍減少した。
ロボットの数が増加するにつれて、AC-DCの通信ペイロードが理想的な中央集権ベースライン(全ロボットと直接通信する1つの地上計算ステーション)に近づき、固定600×600mのスケーリングテストで120個のロボットを使用する場合、AC-DCは理想的な中央集権ベースラインに対して19.3MB、19.2MBを使用する。
関連論文リスト
- D-CLIPSE: Distributed Consensus-based Localization with Passive Listening on Shared State Exchange [4.970277730082773]
正確で一貫性のあるマルチロボットのローカライゼーションは、計画や制御といった下流のタスクに必須である。
本稿では,一貫した通信効率,コンセンサスに基づく分散フィルタリングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-09T00:00:09Z) - CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。
実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。
その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
論文 参考訳（メタデータ） (2026-06-10T17:26:08Z) - 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) - Communication-Aware Multi-Agent Reinforcement Learning for Decentralized Cooperative UAV Deployment [5.204648436671471]
我々は、分散実行(CTDE)を用いた集中学習の下で訓練されたグラフに基づくマルチエージェント強化学習フレームワークを提案する。
中央集権的な批評家とグローバルな国家は訓練中のみ利用可能であり、各UAVは近隣住民からのローカルな観察とメッセージを使用して共有ポリシーを実行する。
本アーキテクチャでは,ローカルエージェントの状態と周辺エンティティをエージェント・エンタテイメント・モジュールでエンコードし,距離限定通信グラフ上でUAV間メッセージを隣接する自己注意で集約する。
論文 参考訳（メタデータ） (2026-03-17T05:48:51Z) - SPARC: Spatial-Aware Path Planning via Attentive Robot Communication [15.669629291551885]
既存の学習コミュニケーション手法は, 空間的近接によらず, 隣り合うロボットを均等に扱うことができ, コーディネートが最も重要となる密集した地域では, 注意が希薄になる。
本稿では,マンハッタンの対角距離を注目重みに埋め込む通信機構RMHAを提案する。
RMHAは、30%の障害物密度で成功率を約75%達成し、最高のベースラインを25%以上上回っている。
論文 参考訳（メタデータ） (2026-03-03T10:40:20Z) - 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) - 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) - Centralizing State-Values in Dueling Networks for Multi-Robot
Reinforcement Learning Mapless Navigation [87.85646257351212]
本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。
この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。
我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-16T16:47:00Z) - With Whom to Communicate: Learning Efficient Communication for
Multi-Robot Collision Avoidance [17.18628401523662]
本稿では,複数ロボット衝突回避シナリオにおいて,「いつ」と「誰」がコミュニケーションを行うのかという課題を解決するための効率的な通信手法を提案する。
このアプローチでは、全てのロボットが他のロボットの状態について推論することを学び、他のロボットの軌道計画を求める前に将来の衝突のリスクを考える。
論文 参考訳（メタデータ） (2020-09-25T09:49:22Z)
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。