論文の概要: Mobility-Budget-Constrained Submodular Maximization for Distributed Semantic Multi-Robot Exploration
- arxiv url: http://arxiv.org/abs/2610.17562v1
- Date: Tue, 13 Oct 2026 01:33:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 18:21:45.129965
- Title: Mobility-Budget-Constrained Submodular Maximization for Distributed Semantic Multi-Robot Exploration
- Title（参考訳）: 分散セマンティックマルチロボット探索のためのモビリティ・予算制約付き部分モジュラー最大化
- Abstract要約: 通信および移動性制約下でのマルチロボット探索は、情報ゲインと到達性とのバランスを必要とする。
本稿では,Dirichletマッピング,予算制約付き軌道選択,およびResource-Aware Distributed Greedy (RAG)コーディネーションを組み合わせた分散意味探索フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 12.062129183693086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-robot exploration under communication and mobility constraints requires balancing information gain with reachability. We present a distributed semantic exploration framework that combines Dirichlet mapping, budget-constrained trajectory selection, and Resource-Aware distributed Greedy (RAG) coordination. Each robot clusters frontiers, computes terrain- and heading-aware least-cost paths with a single budget-limited Dijkstra search, and selects feasible paths by marginal information gain, represented by the expected reduction in Dirichlet entropy. Each robot's per-round selection is exact, the team's joint per-round information gain is at least half the centralized optimum, and the bound degrades gracefully under limited communication. Ten-run gridworld ablations show improved coverage, semantic mIoU, and map certainty with lower entropy and traversal cost per unit distance than shortest-distance frontier selection. Budget-sensitivity experiments show that an intermediate budget best balances path reach and receding-horizon execution. In photorealistic full-system simulation against five coordination rules run in their native published forms, the proposed method attains the highest mean coverage and semantic accuracy while being the only one that respects the per-trajectory mobility budget.
- Abstract（参考訳）: 通信および移動性制約下でのマルチロボット探索は、情報ゲインと到達性とのバランスを必要とする。
本稿では,Dirichletマッピング,予算制約付き軌道選択,およびResource-Aware Distributed Greedy (RAG)コーディネーションを組み合わせた分散意味探索フレームワークを提案する。
各ロボットは、フロンティアをクラスタリングし、単一の予算制限付きDijkstraサーチで地形および方向対応の最小コストパスを計算し、期待されるディリクレエントロピーの減少に代表される限界情報ゲインによって実現可能なパスを選択する。
各ロボットのラウンドごとの選択は正確であり、各ラウンドごとの情報ゲインは、少なくとも半分の集中的最適度であり、制限された通信下では、バウンドは優雅に劣化する。
Ten-run gridworld ablationsは、最短距離フロンティア選択よりも、エントロピーと単位距離当たりのトラバースコストの低い、カバレッジ、セマンティックmIoU、マップ確実性を改善した。
予算感受性実験は、中間予算が経路到達と後退水平実行のバランスをとることを示す。
提案手法は,5つの協調ルールに対する光現実的全システムシミュレーションにおいて,軌道毎の移動予算を尊重しながら,最も高い平均カバレッジと意味的精度を達成できる。
関連論文リスト
- Semantic Map Sharing and Capability-Aware Coverage Planning for AI-Native 6G Robotic Coordination [4.268237978506809]
提案手法は, 航空地形認識, ロボット固有の移動可能性推論, 意味的状態共有を統合した。
結果が,AIネイティブな6Gネットワークを想定する,AI対応の目標指向通信によって動機付けられた,アプリケーションレベルのメカニズムを形成する。
論文 参考訳（メタデータ） (2026-09-29T14:23:23Z) - Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。
本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-25T12:16:28Z) - Multi-Agent Next-Best-View Optimization for Risk-Averse Planning [1.1246921651379473]
不確実で未知の環境での安全な経路計画のためのマルチエージェントNBV(Next-Best-View)の選択には、情報的、安全に配慮し、効率的な調整が必要である。
本研究では,各ロボットがプライベートなローカル3Dガウスマップを維持できる分散型リスク対応NBVフレームワークを提案する。
複数のチーム規模のGibson環境での実験は、分散定式化が、マッピングの品質と軌道安全において集中的なベースラインに近づいたことを示している。
論文 参考訳（メタデータ） (2026-06-02T19:23:23Z) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T21:17:53Z) - SPIN: Decentralized Swarm Control via Tensorized Policy Coordination [0.0]
本稿では,Swarm Policy Interference Network(SPIN)フレームワークを紹介する。
局所多エージェント傾斜角の合同ポリシーテンソルを行列積状態鎖に分解する。
局所的な連続空間幾何学をこの離散代数的バックエンドでブリッジするために、分離されたハイブリッド型ニューロシンボリック制御パイプラインを導入する。
論文 参考訳（メタデータ） (2026-05-25T07:45:51Z) - ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion [3.5507574265100854]
本稿では,制御障壁関数(CBF)を制約とした完全分散モデル予測制御(MPC)フレームワークを提案する。
提案するフレームワークは,四足歩行ロボットのための階層型移動制御アーキテクチャに統合される。
論文 参考訳（メタデータ） (2026-03-19T17:25:33Z) - Learning Decentralized Routing Policies via Graph Attention-based Multi-Agent Reinforcement Learning in Lunar Delay-Tolerant Networks [4.030873682988143]
我々は,Lunar Delay-Tolerant Network (LDTN) の制約下で動作するマルチロボット探査ミッションのための,完全に分散化されたルーティングフレームワークを提案する。
本稿では、部分観測可能なマルコフ決定問題(POMDP)として問題を定式化し、強化訓練、分散実行(CTDE)を行うグラフ注意に基づくマルチエージェント強化学習(GAT-MARL)政策を提案する。
本手法は局所的な観測のみに依存し,最短経路や制御されたフラッディングベースアルゴリズムのような古典的アプローチとは異なり,グローバルなトポロジ更新やパケット複製を必要としない。
論文 参考訳（メタデータ） (2025-10-23T11:13:11Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Quantization for decentralized learning under subspace constraints [61.59416703323886]
エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。
本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。
この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
論文 参考訳（メタデータ） (2022-09-16T09:38:38Z) - 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。