論文の概要: Visual Swarm Navigation via Deep Reinforcement Learning and Evolutionary Hybrid Design

• arxiv url: http://arxiv.org/abs/2610.06400v1
• Date: Mon, 05 Oct 2026 14:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:38:21.460172
• Title: Visual Swarm Navigation via Deep Reinforcement Learning and Evolutionary Hybrid Design
• Title（参考訳）: 深部強化学習と進化的ハイブリッド設計による視覚群ナビゲーション
• Abstract要約: 本稿では,自律型視覚ナビゲーションのためのスウォームロボットコントローラの自動合成のための,AI駆動型ハイブリッド手法を提案する。 基盤となるディープアーキテクチャは、単眼カメラ画像のみに依存するコンパクトニューラルネットワークを利用して、低コストでリソース制約のあるプラットフォーム向けに設計されている。 高忠実度物理シミュレータで実施された実験では、結果として得られるコントローラが堅牢でスケーラブルな集団探索を可能にすることが実証された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Swarm robotics presents a robust and cost-effective paradigm for advanced automation in complex, dynamic environments, such as those encountered in search and rescue or environmental monitoring. A fundamental challenge for this field is the data-driven design of decentralized controllers capable of generating emergent collective behaviors. This paper proposes a novel, AI-driven hybrid methodology for the automatic synthesis of swarm robotic controllers for autonomous visual navigation. This approach synergistically combines multi-agent reinforcement learning with neuro-evolutionary strategies, specifically leveraging implementations of the cross-entropy method and the covariance matrix adaptation evolution strategy to optimize a pre-trained individual navigation policy. The underlying deep architecture is engineered for low-cost, resource-constrained platforms, utilizing a compact neural network that relies exclusively on monocular camera imagery. This vision-based design emphasizes computational and energy efficiency, a critical requirement for practical swarm deployments. Experiments, performed in a high-fidelity physics simulator, demonstrate that the resulting controllers enable robust and scalable collective exploration of diverse indoor environments. The controller trained using our cross-entropy method achieves superior exploration coverage, visiting 36.20% more regions compared to the covariance matrix adaptation evolution strategy. Critically, our best vision-based policy achieves exploration performance statistically comparable to traditional methods relying on more expensive distance sensors, while delivering a significant 31.40% average reduction in energy consumption. These findings validate an effective and economically viable autonomous control system, establishing a path for deploying highly efficient collective intelligence in real-world engineering applications.
• Abstract（参考訳）: Swarm Roboticssは、検索や救助や環境モニタリングで遭遇したような複雑な動的環境における高度な自動化のための堅牢で費用対効果の高いパラダイムを提示している。 この分野の根本的な課題は、創発的な集団行動を生成することができる分散型コントローラのデータ駆動設計である。 本稿では,自律型視覚ナビゲーションのためのスウォームロボットコントローラの自動合成のための,AI駆動型ハイブリッド手法を提案する。 このアプローチは、マルチエージェント強化学習と神経進化戦略を相乗的に組み合わせ、特にクロスエントロピー法と共分散行列適応進化戦略の実装を活用して、事前訓練された個別ナビゲーションポリシーを最適化する。 基盤となるディープアーキテクチャは、単眼カメラ画像のみに依存するコンパクトニューラルネットワークを利用して、低コストでリソース制約のあるプラットフォーム向けに設計されている。 このビジョンに基づく設計では、計算とエネルギー効率が重視される。 高忠実度物理シミュレータで実施された実験は、結果として生じる制御器が様々な屋内環境の堅牢でスケーラブルな集団探索を可能にすることを実証した。 クロスエントロピー法を用いて訓練した制御器は、共分散行列適応進化戦略と比較して36.20%以上の領域を訪問し、優れた探査範囲を実現する。 重要な点として、我々の最良のビジョンベースの政策は、より高価な距離センサーに依存する従来の手法と統計的に比較して、探査性能を統計的に達成し、エネルギー消費を31.40%削減する。 これらの知見は、効果的で経済的に実行可能な自律制御システムを検証し、現実世界の工学的応用に高効率な集団知能を展開するための道を確立した。

関連論文リスト

• Decentralized Vision-Based Autonomous Aerial Wildlife Monitoring [55.159556673975544]
  野生生物モニタリングのための分散視覚に基づくマルチクワッドロータシステムを提案する。 我々のアプローチは、その自然生息地における大型種のロバスト同定と追跡を可能にする。
  論文  参考訳（メタデータ） (2025-08-20T20:05:05Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
  目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。 このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
  論文  参考訳（メタデータ） (2024-08-07T14:32:41Z)
• Research on Autonomous Robots Navigation based on Reinforcement Learning [13.559881645869632]
  我々は、経路計画と意思決定プロセスを最適化するために、Deep Q Network (DQN) と Proximal Policy Optimization (PPO) モデルを使用します。 様々な複雑なシナリオにおいて,これらのモデルの有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2024-07-02T00:44:06Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• Bioinspired Bipedal Locomotion Control for Humanoid Robotics Based on EACO [1.0152838128195467]
  本研究は,ヒューマノイドロボットに適用されたEACOのグローバル検索能力と収束率を,リアルタイムに向上させるものである。 我々は、ACO、実コードGA、ニューラルネットワーク(NN)付きGA、パーティクルスウォーム最適化(PSO)、複雑なロボティクスシステムなど、幅広い問題に対するEACOアルゴリズムに特別な焦点をあてた。
  論文  参考訳（メタデータ） (2020-10-09T09:43:48Z)

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。