論文の概要: Communication-Aware Heterogeneous Graph Learning for Decentralized Multi-Human Multi-Robot Task Allocation
- arxiv url: http://arxiv.org/abs/2609.32935v1
- Date: Sat, 26 Sep 2026 20:48:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 11:45:56.235234
- Title: Communication-Aware Heterogeneous Graph Learning for Decentralized Multi-Human Multi-Robot Task Allocation
- Title（参考訳）: 分散マルチHumanマルチロボットタスクアロケーションのためのコミュニケーション対応不均一グラフ学習
- Abstract要約: 分散タスク割り当てのためのコミュニケーション対応グラフ学習フレームワーク。
CommHGは、情報可用性と年齢を条件とした局所グラフを通じて、人間-ロボット-タスクの相互作用を結合的に表現する。
最大16のロボット、6人の人間、112のタスクを持つ異種チームを対象とした実験は、コーディネーションスケールが大きくなるにつれてCommHGがタイムリーな重み付けされたミッション完了を改善することを示している。
- 参考スコア（独自算出の注目度）: 15.192154578642878
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-human multi-robot (MH-MR) teams combine robotic autonomy with human expertise, but effective task allocation requires coordinating scarce, dynamically available human support with distributed robot execution. Limited robot-robot and human-robot communication further complicates this coupling by delaying information exchange and supervisory intervention. We introduce CommHG, a communication-aware heterogeneous graph learning framework for decentralized MH-MR task allocation. CommHG represents coupled human-robot-task interactions through local graphs conditioned on information availability and age. Learned communication actions enable robots to decide when and which operator to query, and when to share information with peers. Allocation and communication are jointly optimized through cooperative multi-agent reinforcement learning, allowing the team to acquire useful information while managing limited communication and supervisory resources. We also introduce a benchmark integrating heterogeneous humans and robots, dynamic tasks and operational states, and constrained robot-robot and bidirectional human-robot links. Experiments across heterogeneous teams with up to 16 robots, 6 humans, and 112 tasks show that CommHG improves timely weighted mission completion as coordination scale increases, outperforming the strongest baseline in the Large scenario.
- Abstract（参考訳）: マルチヒューマン・マルチロボット(MH-MR)チームは、ロボット自律性と人間の専門知識を組み合わせるが、効果的なタスク割り当てには、分散ロボットの実行と動的に利用可能な人間サポートの調整が必要である。
限られたロボットロボットと人間ロボットのコミュニケーションは、情報交換と監督介入を遅らせることで、この結合をさらに複雑にする。
本稿では,分散MH-MRタスク割り当てのための通信対応不均一グラフ学習フレームワークCommHGを紹介する。
CommHGは、情報可用性と年齢を条件とした局所グラフを通じて、人間-ロボット-タスクの相互作用を結合的に表現する。
学習されたコミュニケーションアクションにより、ロボットはいつ、どのオペレーターに問い合わせるか、いつ情報を仲間と共有するかを決定することができる。
割り当てとコミュニケーションは協調的なマルチエージェント強化学習によって共同で最適化され、チームは限られたコミュニケーションと監督資源を管理しながら有用な情報を取得することができる。
また、異種人間とロボット、動的タスクと操作状態、制約されたロボットロボットと双方向の人間ロボットリンクを統合するベンチマークも導入した。
最大16のロボット、6人の人間、112のタスクを持つ異種チームを対象とした実験は、CommHGが調整スケールが大きくなるにつれて、タイムリーな重み付けされたミッション完了を改善することを示し、大きなシナリオにおいて最強のベースラインを上回ります。
関連論文リスト
- 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) - HECTOR: Human-centric Hierarchical Coordination and Supervision of Robotic Fleets under Continual Temporal Tasks [7.155003467581939]
本研究は,長期的かつ不確実な時間的課題下での大規模ロボット群を対象とした,人間中心の協調・監督スキーム(HECTOR)を提案する。
それは3つの階層的なレイヤで構成されている: (I) オンラインヒューマン・フリートインタラクションの双方向およびマルチモーダルプロトコルで、オペレーターが艦隊全体と対話し、監督する。
論文 参考訳（メタデータ） (2026-04-13T01:39:19Z) - HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。
私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
論文 参考訳（メタデータ） (2025-09-12T09:38:17Z) - HACTS: a Human-As-Copilot Teleoperation System for Robot Learning [47.9126187195398]
HACTS(Human-As-Copilot Teleoperation System)は,ロボットアームと遠隔操作ハードウェアを双方向でリアルタイムに同期させるシステムである。
このシンプルで効果的なフィードバックメカニズムは、自動運転車のステアリングホイールに似たもので、人間の操縦士がシームレスに介入し、将来の学習のために行動補正データを収集することを可能にする。
論文 参考訳（メタデータ） (2025-03-31T13:28:13Z) - IG-MCTS: Human-in-the-Loop Cooperative Navigation under Incomplete Information [22.47189812250736]
CoNav-Mazeは、人間のオペレータが不正確な地図に基づいてガイダンスを提供する間、ロボットが局所的な知覚でナビゲートするシミュレーション環境である。
我々は,自律移動と情報通信を協調的に最適化する情報ゲインモンテカルロ木探索(IG-MCTS)を提案する。
IG-MCTSはコミュニケーション要求を著しく減らし、認知負荷の低下を示す視線追跡指標を得る。
論文 参考訳（メタデータ） (2025-02-03T22:08:04Z) - Effect of Adaptive Communication Support on LLM-powered Human-Robot Collaboration [2.4552201513604093]
マルチモーダル言語フィードバック(HRT-ML)を用いたヒューマンロボットコラボレーションフレームワーク
HRT-MLフレームワークには、ハイレベルで低頻度な戦略ガイダンスのためのコーディネータと、サブタスク固有の高周波命令のためのマネージャの2つのコアモジュールが含まれている。
論文 参考訳（メタデータ） (2024-11-26T00:06:47Z) - HARMONIC: Cognitive and Control Collaboration in Human-Robotic Teams [2.6627293764668902]
本稿では,人間ロボットチーム(HRT)に適用された汎用ロボット制御システムと,OntoAgent認知フレームワークを統合した認知ロボティックアーキテクチャについて述べる。
Harmonicはメタ認知、意味のある自然言語通信、HRTの相互信頼開発に必要な説明可能性を備えている。
論文 参考訳（メタデータ） (2024-09-26T16:48:21Z) - Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
本稿では,人間とロボットの協調学習システムについて紹介する。
これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。
これにより、ダウンストリームタスクにおいて、収集されたデータが十分な品質であることを保証しながら、人間の適応の必要性を減らすことができる。
論文 参考訳（メタデータ） (2024-06-29T03:37:29Z)
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。