論文の概要: Akule: Fast and Scalable Multi-Robot Motion Planning via Sparse Interaction Diffusion
- arxiv url: http://arxiv.org/abs/2610.14248v1
- Date: Fri, 09 Oct 2026 19:10:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.025882
- Title: Akule: Fast and Scalable Multi-Robot Motion Planning via Sparse Interaction Diffusion
- Title（参考訳）: Akule:スパース相互作用拡散による高速でスケーラブルなマルチロボット運動計画
- Abstract要約: Akuleは、フリーズされたシングルロボットを3つの学習モジュールで強化するスパースインタラクションフレームワークである。
Akunleは、競争的な計画の成功、最大25タイムの完全なプランナースピードアップ、ゼロショット人口移動、最大256ドルのロボットによる計画の成功を達成している。
- 参考スコア（独自算出の注目度）: 1.9247157750972363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models provide expressive trajectory priors for multi-robot motion planning (MRMP), but scaling them to large teams requires coordinating individual motions without expensive joint computation. We introduce Akule, a sparse interaction diffusion framework that augments a frozen single-robot prior with three learned modules: a reusable pairwise correction model $R_φ$, a contextual selector $U_ψ$ that determines which corrections to evaluate, and a composer $G_ω$ that combines their effects through context-dependent signed weights. This decomposition separates which interactions merit computation from how their effects should be combined into coordinated denoising updates. We train $R_φ$ using matched pairwise trajectory optimizations, then learn $G_ω$ and $U_ψ$ from physically optimized joint trajectories without requiring a prescribed ground-truth interaction graph. The resulting joint proposals are passed to a downstream search-based planner for validation and repair. Across diverse MRMP benchmarks, Akule achieves competitive planning success, complete-planner speedups of up to $25\times$, zero-shot population transfer, and successful planning with up to $256$ robots. Ablations further demonstrate that learned selection and composition reduce pre-repair conflicts and downstream repair effort relative to heuristic selection and uniform summation.
- Abstract（参考訳）: 拡散モデルは、MRMP(Multi-robot Motion Planning)のための表現的な軌道前処理を提供するが、それらを大規模チームに拡張するには、高価な関節計算なしで個々の動きを調整する必要がある。
再利用可能なペアワイズ補正モデルである$R_φ$と、どの補正を行うかを決定するコンテキストセレクタである$U_\$と、文脈依存の符号付き重みによってそれらの効果を結合する作曲家である$G_ω$の3つの学習モジュールで、凍結シングルロボットを拡張したスパース相互作用拡散フレームワークであるAkuleを紹介する。
この分解は、どの相互作用が計算に有益であるかを、それらの効果をどのように組み合わせてデノナイジング更新に組み合わせるべきかから区別する。
マッチングされたペアの軌道最適化を用いて$R_φ$を訓練し、所定の接地-接地相互作用グラフを必要とせず、物理的に最適化された関節軌道から$G_ω$と$U_\$を学ぶ。
結果として得られた共同提案は、検証と修復のために下流の検索ベースのプランナーに渡される。
さまざまなMRMPベンチマークを通じて、Akuleは競争力のある計画の成功、最大25ドル以上の完全なプランナーのスピードアップ、ゼロショット人口移動、最大256ドルのロボットによる計画の成功を達成した。
さらに、学習した選択と構成が、ヒューリスティックな選択と均一な和に対して、プレレペアの衝突と下流の修復作業を減少させることを示した。
関連論文リスト
- One-Step Generative Modeling via Training Dynamics Action [44.53646303421521]
一段階生成モデルは、反復的な訓練時間輸送によって静的なジェネレータを構築する。
textbfTraining textbfDynamics textbfAction(textbfTDAction)を導入する。
論文 参考訳（メタデータ） (2026-09-30T18:10:48Z) - MA-LIPP: Cooperative Multi-Agent Load-Aware Informative Path Planning for Heterogeneous Robot Teams [17.50841481112841]
フィールドロボティクスのミッションでは、しばしば分析のために物理サンプルを研究室に戻さなければならない。
LIPP (Single-robot Load-Aware Informative Path Planning) では、荷物の輸送を感知する。
非同期な"デッドドロップ"を通じて協力できるマルチエージェントLIPP(MA-LIPP)を導入する。
論文 参考訳（メタデータ） (2026-09-18T00:21:05Z) - Overlapping Domain Decomposition for Distributed Pose Graph Optimization [16.747729727115786]
ROBOは、ポーズグラフ最適化(PGO)のための分散並列アプローチである
隣接するロボット間で追加のポーズ情報を共有することで、基礎となるポーズグラフに重複する最適化ブロックを効果的に生成する。
ロボット間の平均データコストが1イテレーションあたり36Kbと重なると、最先端の分散PGOアプローチよりも3.1$times$高速になることを示す。
論文 参考訳（メタデータ） (2026-03-03T20:12:56Z) - Intelligent Control of Collisional Architectures for Deterministic Multipartite State Engineering [0.0]
我々は、繰り返し励起-相互作用を伴うアーキテクチャにおいて、対称ディック状態の決定論的生成のためのインテリジェントで制約対応の制御フレームワーク、|D_n(m)rangle$を導入する。
このプロトコルは2つの非結合量子ビットレジスタ間の部分SWAPの衝突を利用しており、これには$m$ ancillary Shuttle'' の量子ビットが介在し、Emphループの設計問題としてDickestateの準備を行う。
論文 参考訳（メタデータ） (2026-02-09T11:15:32Z) - Policies over Poses: Reinforcement Learning based Distributed Pose-Graph Optimization for Multi-Robot SLAM [1.3750624267664158]
多ボットローカライゼーションにおける逐次分散ポーズグラフ最適化(PGO)について検討する。
我々は,PGOをマルコフニューラルネットワーク(GNN)上で定義された部分観測可能なゲームとみなし,各アクションが単一エッジのポーズ推定を洗練させる。
学習者の平均軌道は37.5%減少し,効率は少なくとも6倍向上した。
論文 参考訳（メタデータ） (2025-10-26T16:21:24Z) - Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。
また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。
我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
論文 参考訳（メタデータ） (2025-02-07T15:57:56Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - Simultaneous Contact-Rich Grasping and Locomotion via Distributed
Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。
ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
論文 参考訳（メタデータ） (2022-07-04T13:52:10Z) - Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。
我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。
特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
論文 参考訳（メタデータ） (2020-03-17T03:52:17Z)
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。