論文の概要: Safe Multi-Robot Coordination via VLM-LLM Reasoning and Reachability Analysis
- arxiv url: http://arxiv.org/abs/2609.27816v1
- Date: Tue, 18 Aug 2026 12:52:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.975353
- Title: Safe Multi-Robot Coordination via VLM-LLM Reasoning and Reachability Analysis
- Title（参考訳）: VLM-LLM推論と到達可能性解析による安全マルチロボット協調
- Abstract要約: 異種移動ロボットチームにおける協調目標指向ナビゲーションのための安全対応型M2Mフレームワークを提案する。
目的は、静的および動的障害を避けながら、両方のプラットフォームを目標領域に導くことである。
- 参考スコア（独自算出の注目度）: 39.499082381148035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safe coordination in heterogeneous machine-to-machine (M2M) robotic systems is challenging when robots differ in sensing capabilities, environmental awareness, and motion execution roles. This paper presents a centralized safety-aware M2M framework for cooperative goal-directed navigation in a heterogeneous mobile robot team comprising a vision-capable quadruped and a camera-less robotic vehicle. The objective is to guide both platforms toward a goal region while avoiding static and dynamic obstacles and preventing unsafe inter-robot interactions. Under the principle of shared perception, the vision-capable robot provides semantic environmental awareness through a centralized server over an MQTT broker, enabling the camera-less platform to navigate using this shared scene representation alongside its own odometry, IMU, and state feedback. A vision-language model (VLM) interprets the visual stream, and the extracted semantic data is mapped into conservative metric geometric constraints, including inflated obstacle sets, safe corridors, and goal regions. A large language model (LLM) proposes high-level task allocations, while physical command authority is restricted to a robot-specific zonotope reachability gate. This verification engine propagates independent reachable tubes to evaluate obstacle avoidance, safe-corridor containment, and inter-robot separation predicates before approving commands. Online experiments across clear-path and dynamic-obstacle scenarios show that the pipeline reliably approves safe motion, triggers conservative replanning or holding maneuvers upon constraint violation, and enforces a strict architectural separation between advisory semantic reasoning and formally verified motor execution.
- Abstract（参考訳）: 不均一マシン・ツー・マシン(M2M)ロボットシステムにおける安全調整は、ロボットが知覚能力、環境認識、動作実行の役割が異なる場合に困難である。
本稿では、視覚機能付き四足歩行ロボットとカメラレスロボットからなる異種移動ロボットチームにおいて、協調目標指向ナビゲーションのための集中型安全意識型M2Mフレームワークを提案する。
目的は、静的および動的障害を避けながら、両方のプラットフォームを目標領域に向けて誘導し、安全でないロボット間相互作用を防ぐことである。
共有認識の原則の下では、ビジョン対応ロボットはMQTTブローカ上の集中サーバを通じてセマンティックな環境認識を提供する。
視覚言語モデル(VLM)は視覚の流れを解釈し、抽出した意味データを、膨らませた障害物セット、安全な廊下、ゴール領域を含む保守的な幾何学的制約にマッピングする。
大規模言語モデル(LLM)では高いレベルのタスク割り当てが提案され、物理的コマンド権限はロボット固有のゾノトープ到達性ゲートに制限される。
この検証エンジンは、独立して到達可能なチューブを伝搬し、指令を承認する前に障害物回避、安全補正、ロボット間分離の述語を評価する。
明確な経路と動的障害物のシナリオにわたるオンライン実験は、パイプラインが安全な動作を確実に承認し、制約違反時に保守的な計画変更や操作をトリガーし、アドバイザリーセマンティクス推論と正式に確認されたモーター実行の間の厳密なアーキテクチャ的分離を実施することを示している。
関連論文リスト
- Density-Driven Area Coverage for Nonholonomic Multi-Robot Systems with Safety Guarantee [0.0]
密度駆動最適制御(D2OC)は、非一様空間分布上に複数のロボットチームを分散する原理的なアプローチを提供する。
非ホロノミックロボットにD2OCを適用すると、参照動作に課される安全制約と実際のロボットの動きを決定する物理的な入力の間にギャップが生じる。
本稿では,ロボットの物理的入力に直接安全制約を課し,密度駆動型カバレッジの目標を保ちながらこの問題に対処する。
論文 参考訳（メタデータ） (2026-09-19T00:56:40Z) - VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。
まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。
第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
論文 参考訳（メタデータ） (2026-06-08T09:52:55Z) - 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) - From Prompt to Physical Actuation: Holistic Threat Modeling of LLM-Enabled Robotic Systems [0.5161531917413708]
我々は,ロボットサイバーセキュリティ,敵対的知覚攻撃,LLMの安全性が信頼境界を越えてどのように作用し,伝播するかを研究する。
DFDをベースとした脅威分析は、LLM対応ロボットシステムの完全な認識計画アクチュエーターパイプラインに3つの脅威カテゴリを統合した初めてのものである。
論文 参考訳（メタデータ） (2026-04-29T23:44:07Z) - Capability-Aware Heterogeneous Control Barrier Functions for Decentralized Multi-Robot Safe Navigation [19.794822517328654]
既存の分散化手法では、ロボットの同質性を仮定し、異種エージェント間で共有された安全要件を不均一に解釈する。
本稿では、一貫した安全対策と機能意識調整のための分散型フレームワークであるCA-HCBF(Capability-Aware Heterogeneous Control Barrier Function)を提案する。
論文 参考訳（メタデータ） (2026-04-14T19:21:46Z) - Robotic Grasping and Placement Controlled by EEG-Based Hybrid Visual and Motor Imagery [64.82869118243723]
本稿では,脳波に基づく視覚・運動画像(VI/MI)とロボット制御を統合し,リアルタイム・意図駆動型把握・配置を実現するフレームワークを提案する。
このシステムは、BCI駆動のロボット工学の約束に感銘を受けて、オフラインで事前訓練されたデコーダをゼロショットで展開することによって、ニューラルネットワークを物理的制御でブリッジする。
論文 参考訳（メタデータ） (2026-03-03T17:41:42Z) - Admittance-Based Motion Planning with Vision-Guided Initialization for Robotic Manipulators in Self-Driving Laboratories [0.4899818550820576]
本稿では,適応的かつ適合的なロボット操作を実現するために,アプタンス制御を中心としたモーションプランニングフレームワークを提案する。
従来のスキームとは異なり、提案手法はアクセタンスコントローラを直接トラジェクトリ実行に統合する。
この能力により、人間の操作者はロボットの動きをリアルタイムでオーバーライドまたはリダイレクトすることができる。
論文 参考訳（メタデータ） (2026-01-29T13:29:56Z) - CHORAL: Traversal-Aware Planning for Safe and Efficient Heterogeneous Multi-Robot Routing [4.3992789649203194]
自律ロボットによる大規模で未知の複雑な環境のモニタリングは、重要なナビゲーション課題を引き起こす。
異種ロボットの協調のための統合意味認識フレームワークを提案する。
シミュレーション実験と3つのロボットプラットフォームを用いた実際の検査ミッションにより,本手法の有効性が実証された。
論文 参考訳（メタデータ） (2026-01-15T12:34:22Z) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - 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)
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。