論文の概要: OpenSpace Lab Solution to the IROS 2026 Indoor Exploration Competition
- arxiv url: http://arxiv.org/abs/2610.01505v1
- Date: Thu, 01 Oct 2026 11:43:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.09388
- Title: OpenSpace Lab Solution to the IROS 2026 Indoor Exploration Competition
- Title（参考訳）: IROS 2026屋内探査コンペティションへのOpenSpace Labソリューション
- Abstract要約: チームはシングル・ロボット・パブリック・トラックで1位、シングル・ロボット・プライベート・トラックとマルチ・ロボット・プライベート・トラックで3位となった。
シングルロボットフレームワークは、事前訓練された地図完成予測を利用して、グローバルな計画を立て、未探索領域を優先順位付けする。
マルチロボット探索には,観測利得,移動コスト,予算制約のバランスをとるユーティリティ駆動型目標選択戦略を利用する。
- 参考スコア（独自算出の注目度）: 14.226626325907732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This report presents the \textbf{OpenSpace Lab}'s solution to the Competition on Intelligent Information Gathering for Single and Multi-Robot Systems Workshops, organized as part of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2026. Our team reached 1st place in the Single-Robot Public Track and 3rd place in both the Single- and Multi-Robot Private Tracks. The single-robot framework utilizes pre-trained map completion predictions for global planning to prioritize unexplored areas. To reconcile map coverage with limited operation time, we introduce a remaining-time-based exploration strategy that integrates homing constraints into the decision-making process. For multi-robot exploration, we utilize a utility-driven target selection strategy that balances observation gains, movement costs, and budget constraints, leveraging shared map and intent data to eliminate redundant search and maximize coordination efficiency. Our solution reached a 61.04\% coverage rate in the Single-Robot Public Track, while reaching 39.53\% and 39.91\% coverage in the Single- and Multi-Robot Private Tracks, respectively. An extended full-length paper based on this report is currently being prepared for submission, and the source code will be released upon acceptance of the full manuscript at https://github.com/OpenSpace-Lab/Indoor-Exploration-IROS2026.
- Abstract（参考訳）: 本報告では, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2026の一部として組織された, シングルロボット・マルチロボットシステムワークショップのための知的情報収集コンペティション(Intelligent Information Gathering for Single and Multi-Robot Systems Workshops)に対する, \textbf{OpenSpace Lab}のソリューションについて述べる。
私たちのチームはシングルロボットパブリックトラックで1位、シングルロボットとマルチロボットプライベートトラックで3位にランクインしました。
シングルロボットフレームワークは、事前訓練された地図完成予測を利用して、グローバルな計画を立て、未探索領域を優先順位付けする。
地図のカバレッジを限られた運用時間で調整するために,ハミング制約を意思決定プロセスに統合する残時間ベースの探索戦略を導入する。
マルチロボット探索では、観測利得、移動コスト、予算制約のバランスをとるユーティリティ駆動型目標選択戦略を利用し、共有マップと意図データを利用して余剰探索を排除し、調整効率を最大化する。
私たちのソリューションはシングルロボットパブリックトラックで61.04\%、シングルロボットプライベートトラックとマルチロボットプライベートトラックで39.53\%、39.91\%に達しました。
このレポートに基づく拡張フル長の論文は現在提出準備中で、ソースコードはhttps://github.com/OpenSpace-Lab/Indoor-Exploration-IROS2026で完全な原稿を受理して公開される。
関連論文リスト
- Binary Tracking for Spatial QA and Navigation with Open Vision-Language Models [9.939339867991555]
この研究は、長い自我中心のルートを横断するサービスロボットに対する空間的質問応答に対処する。
家に帰る途中でドライクリーナーがどこにあるのか?」というようなクエリが与えられたら、システムは下流のナビゲーションコンポーネントが動作可能なメトリクス座標を返す。
この研究は、ロボットの軌道の時間的順序付けを利用する、シンプルで効果的で完全にオープンソースな空間局在化エージェントであるBinTrackを提案する。
論文 参考訳（メタデータ） (2026-06-15T16:10:03Z) - A Visitation Grid for Complete Coverage Foraging in Robot Swarms [9.918320116606997]
大規模で未知の環境におけるリソースの完全な収集は、自律ロボット群にとって難しい問題である。
本稿では,余分な訪問を明示的に減らし,最終段階の収集を加速するグリッドベースの採餌戦略を提案する。
提案手法は,ミッションの最終段階において,収集時間を最大33%削減し,収集効率を48%以上向上させる。
論文 参考訳（メタデータ） (2026-05-21T03:27:49Z) - Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。
Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
論文 参考訳（メタデータ） (2025-03-15T07:42:27Z) - Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。
この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。
この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
論文 参考訳（メタデータ） (2024-09-29T23:57:25Z) - Scalable Multi-Robot Informative Path Planning for Target Mapping via Deep Reinforcement Learning [11.134855513221359]
マルチロボットインフォーマティブパス計画問題に対する深層強化学習手法を提案する。
ここでは、各ロボットが発見した目標を最大化し、未知の静的障害物を回避し、ロボット同士の衝突を防ぐ。
提案手法は、発見対象数において、最先端のアプローチを少なくとも26.2%上回っている。
論文 参考訳（メタデータ） (2024-09-25T14:27:37Z) - From Simulations to Reality: Enhancing Multi-Robot Exploration for Urban
Search and Rescue [46.377510400989536]
本研究では,コミュニケーションが限られ,位置情報がない未知の環境での効率的なマルチロボット探索のための新しいハイブリッドアルゴリズムを提案する。
連続した目標情報なしでシナリオに合うように、ローカルなベストとグローバルなベストポジションを再定義する。
提示された研究は、限られた情報と通信能力を持つシナリオにおけるマルチロボット探索の強化を約束している。
論文 参考訳（メタデータ） (2023-11-28T17:05:25Z) - DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in
Complex Environments [55.204450019073036]
本稿では,倉庫環境における移動ロボットのためのタスク割り当てと分散ナビゲーションアルゴリズムを提案する。
本稿では,共同分散タスク割り当てとナビゲーションの問題について考察し,それを解決するための2段階のアプローチを提案する。
ロボットの衝突のない軌道の計算では,タスク完了時間において最大14%の改善と最大40%の改善が観察される。
論文 参考訳（メタデータ） (2022-09-07T00:35:27Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳（メタデータ） (2022-08-17T14:19:33Z) - 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。