論文の概要: Failure-Resilient Multi-Robot Coordination with $k$-Connectivity Constrained Submodular Maximization
- arxiv url: http://arxiv.org/abs/2610.13049v1
- Date: Fri, 09 Oct 2026 06:04:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.417363
- Title: Failure-Resilient Multi-Robot Coordination with $k$-Connectivity Constrained Submodular Maximization
- Title（参考訳）: $k$-Connectivity Constrained Submodular Maximization を用いた耐故障性多ロボット座標
- Abstract要約: 本稿では、タスク性能、レジリエンス、通信接続性を共同で検討したResilient $k$-Connected Subular Maximizationを紹介する。
本手法は, 最大[1-_f(mathI),h(N, ))]2 frac1_f (1-e-_f)$の係数で, 最適接続性を考慮したレジリエントな割当を行う。
- 参考スコア（独自算出の注目度）: 15.481084719047216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-robot coordination is essential in applications such as coverage, target tracking, and information gathering, where robots must jointly select actions to maximize team performance. Submodular maximization provides an effective framework for such coordination, and resilient variants further account for robot failures or adversarial removals. However, existing methods typically overlook the impact of robot loss on the communication network, which may disconnect the surviving team and prevent continued coordination. To address this issue, we introduce Resilient $k$-Connected Submodular Maximization, which jointly considers task performance, resilience, and communication connectivity. The resulting feasible family is not a matroid, preventing the direct application of classical curvature-greedy guarantees. We overcome this challenge through a Menger-based connectivity reduction, a connectivity-aware greedy algorithm with a feasibility-preserving fallback, and a new curvature-based analysis that captures the cost of enforcing connectivity through a single factor $ρ$. Our method achieves a worst-case post-failure objective within a factor of $[\max(1-ν_f(\mathcal{I}),h(N,β))]^2 ρ\frac{1}{κ_f}(1-e^{-κ_f})$ of the optimal connectivity-respecting resilient assignment, while recovering the classical unconstrained guarantee in the appropriate limits. Experiments on multi-robot target tracking validate the proposed method and characterize the practical impact of connectivity constraints.
- Abstract（参考訳）: マルチロボット調整は、ロボットがチームパフォーマンスを最大化するために共同で行動を選択することが必要な、カバレッジ、目標追跡、情報収集などのアプリケーションにおいて不可欠である。
部分モジュラー最大化はそのような調整のための効果的な枠組みを提供し、回復力のある変種はロボットの故障や敵の除去を更に考慮する。
しかし,既存の方法では,コミュニケーションネットワークにおけるロボットの喪失の影響を見落としていることが多い。
この問題に対処するために、タスクパフォーマンス、レジリエンス、通信接続性を共同で検討するResilient $k$-Connected Submodular Maximizationを紹介します。
結果として生じる実現可能な族はマトロイドではなく、古典的な曲率グレーディ保証の直接的な適用を妨げている。
我々は、この課題を、Mengerベースの接続削減、実現可能性を保存するフォールバックを備えた接続性対応の欲求アルゴリズム、そして1因子$ρ$で接続を強制するコストをキャプチャする新しい曲率ベースの分析によって克服する。
提案手法は, 最適接続型レジリエント割当を$[\max(1-ν_f(\mathcal{I}),h(N,β))]^2 ρ\frac{1}{κ_f}(1-e^{-κ_f})$の範囲内で, 古典的制約のない保証を適切な制限で回復しつつ, 最悪の場合の障害後の目的を達成する。
マルチロボット目標追跡実験は,提案手法の有効性を検証し,接続制約の実用的影響を特徴づける。
関連論文リスト
- Q-learning Penalized Transformer for Safe Offline Reinforcement Learning [59.26714065630563]
本稿では、オフラインデータセットを用いた安全制約を満たすためのポリシーのトレーニングを含む、安全なオフライン強化学習の問題に対処する。
本稿では,制約認識値推定による条件付きシーケンスモデリングを橋渡しする,訓練・推論一貫したフレームワークであるQ-learning Penalized Transformer Policy (QPT)を提案する。
本稿では,Q-penalized conditional generation がいかに安全性と性能を向上するかを特徴付ける,スタイリングされた近決定性CMDPの原理解析を行う。
論文 参考訳（メタデータ） (2026-09-28T06:43:22Z) - Dynamic Coalition Formation and Communication Pricing in Skill-Based Agentic AI Systems [0.0]
タスク条件付きネットユーティリティ$U(Cmid x)=V(Cmid x)-sum_iin Cc_i$との協調ゲームとしてエージェントの選択と通信をモデル化する。
本稿では,限界値のアクティベーションルールとgreedyルータを提案し,そのモデルを拡張してエッジ毎のコストで通信エッジを最適化し,推定したShapley値を用いて,実行前後にどのエージェントが接触する価値があるかを推定する。
論文 参考訳（メタデータ） (2026-07-24T19:25:21Z) - Robust Peak-cost Constrained Reinforcement Learning [10.897248153175935]
我々は、堅牢なピークコスト制約強化学習(RP-CRL)について検討する。
目的は、軌道に沿って発生する最大コストを制御しながら、期待される報酬を最大化することである。
標準CMDPとは異なり、ピークコストの制約されたMDPはゼロ双対性ギャップを認めない可能性がある。
論文 参考訳（メタデータ） (2026-07-16T21:00:50Z) - SCRAMPPI: Efficient Contingency Planning for Mobile Robot Navigation via Hamilton-Jacobi Reachability [2.6424021470496672]
本稿では,安全制約による名目コストに対する軌道最適化問題を定式化する。
名目上の計画に沿う任意の地点から、指定された安全セットへの実現可能な軌道が存在する必要がある。
本研究は,移動ロボット上で,名目・緊急プランをリアルタイムで生成するアルゴリズムを実演し,シミュレーションおよびハードウェア実験を行った。
論文 参考訳（メタデータ） (2026-03-27T21:09:43Z) - Robust Optimization Approach and Learning Based Hide-and-Seek Game for Resilient Network Design [10.37026246853005]
本研究では、信号が許容しきい値以下になる前に、信号が限られた距離までしか転送できない、レジリエントで信頼性の高い通信ネットワークの設計について検討する。
過度な信号劣化が発生した場合、選択されたネットワークノードにインストールされた再生器を通して再生する必要がある。
論文 参考訳（メタデータ） (2026-02-12T11:48:24Z) - Constraint-Aware Generative Auto-bidding via Pareto-Prioritized Regret Optimization [8.514099612407062]
PRO-Bidは2つの相乗的メカニズムに基づく制約対応な自動入札フレームワークである。
最先端のベースラインに比べて、制約満足度や価値獲得に優れています。
論文 参考訳（メタデータ） (2026-02-09T04:41:30Z) - Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。
textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。
SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
論文 参考訳（メタデータ） (2025-09-24T13:27:35Z) - Advancing Generalized Transfer Attack with Initialization Derived Bilevel Optimization and Dynamic Sequence Truncation [49.480978190805125]
転送攻撃はブラックボックスアプリケーションに大きな関心を惹きつける。
既存の作業は、本質的に単一のレベルの目的 w.r.t. シュロゲートモデルを直接最適化する。
本稿では,上位レベル(UL)と下位レベル(LL)のサロゲート攻撃とのネスト関係を明示的に再構築する2レベル最適化手法を提案する。
論文 参考訳（メタデータ） (2024-06-04T07:45:27Z) - Uniformly Safe RL with Objective Suppression for Multi-Constraint Safety-Critical Applications [73.58451824894568]
広く採用されているCMDPモデルは予測のリスクを制約しており、長い尾の州で危険な行動を起こす余地がある。
安全クリティカルな領域では、そのような行動は破滅的な結果をもたらす可能性がある。
本稿では,目標を最大化するタスク報酬を適応的に抑制する新しい手法であるObjective Suppressionを提案する。
論文 参考訳（メタデータ） (2024-02-23T23:22:06Z) - Adaptive Value Decomposition with Greedy Marginal Contribution
Computation for Cooperative Multi-Agent Reinforcement Learning [48.41925886860991]
現実世界の協力はしばしばエージェント間の集中的な調整を必要とする。
単調なユーティリティの単調混合として値関数を学習する従来の方法は、非単調なリターンでタスクを解くことはできない。
非単調な問題に対処するための新しい明示的な信用割当手法を提案する。
論文 参考訳（メタデータ） (2023-02-14T07:23:59Z)
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。