論文の概要: SenseSwarm: Swarm Exploration via Neural Structure Estimation with Shared World-Anticipation for Rapid Mapping
- arxiv url: http://arxiv.org/abs/2610.22905v1
- Date: Fri, 16 Oct 2026 04:11:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.761917
- Title: SenseSwarm: Swarm Exploration via Neural Structure Estimation with Shared World-Anticipation for Rapid Mapping
- Title（参考訳）: SenseSwarm: ラピッドマッピングのための共有世界観を用いたニューラルネットワークによる群れ探索
- Abstract要約: SenseSwarmは、Swarmの共有占有マップ上で、軽量に学習されたマップ予測を提供する。
予測された構造をシグメリン性誘導場に折り返します。
物理的な範囲では、Swarmはグリーディフロンティアプランナーとほぼ同等である。
- 参考スコア（独自算出の注目度）: 8.937077349048375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A robot swarm covers a building faster with more robots, but the map is only as complete as the space the robots have physically visited. We target the amount of an unknown building a decentralized swarm knows at each instant, ahead of physical coverage. SenseSwarm serves a lightweight learned map predictor on the swarm's shared occupancy map and folds the predicted structure back into a stigmergic guidance field. Its 709K-parameter predictor is fine-tuned on the swarm's own multi-front observations, which we show is necessary: a single-robot predictor collapses on such views. We build a benchmark of twelve real building floors from HouseExpo, HKUST, and KTH, up to 24,000 square meters, and run 1,620 simulations across nine coordination methods, swarm sizes 32 to 512, and three seeds. On physical coverage the swarm is near parity with a greedy frontier planner, as expected. On map reconstruction, every non-predictive baseline needs 1.3 to 1.9 times longer to reach an 80 percent known map, and SenseSwarm holds an equal-time area lead of about 670 square meters, up to 1,359. Folding the prediction into the shared field matters: the same predictor applied per robot matches our speed but suffers a 6.9 times higher inter-robot contact rate at 512 robots. The prediction is computed once per shared map, so its cost stayed flat from 32 to 512 robots.
- Abstract（参考訳）: ロボット群は、より多くのロボットで建物を素早く覆っているが、地図はロボットが物理的に訪れた空間と同じくらいの完成度しかない。
我々は、物理的カバレッジよりも先に、分散化されたSwarmが各瞬間に知っている未知の建物をターゲットとします。
SenseSwarmは、Swarmの共有占有マップ上の軽量な学習マップ予測器を提供し、予測された構造をスティグメア性誘導フィールドに折り返す。
709Kのパラメータ予測器は、Swarm自身のマルチフロント観測に基づいて微調整されている。
HouseExpo、HKUST、KTHの12の実際の建物床のベンチマークを作成し、最大24,000平方メートル、9つの調整方法、1,620のシミュレーション、32から512のSwarmサイズ、3つのシードを実行した。
物理的な範囲では、Swarmは予想通り、欲張りのフロンティアプランナーと同等に近い。
地図復元では、予測できない全てのベースラインが80パーセントの地図に到達するのに1.3から1.9倍の時間を必要とし、SenseSwarmは最大で1,359平方メートルの670平方メートルの面積を持つ。
ロボットごとに適用される同じ予測器は我々の速度と一致しているが、ロボット間の接触速度は512ロボットの6.9倍である。
予測は共有マップ毎に1回計算されるため、コストは32から512のロボットに抑えられた。
関連論文リスト
- The value of information and the emergence of communication in evolved e-puck robots [51.56484100374058]
自律エージェント間の通信がいつ出現し、自然行動選択アーキテクチャが果たす役割について検討する。
WebotsモデルからPyBulletで再構築された2つのE-puckロボットは、ロボットがPyBulletを通過したときにのみ検出可能な摂食ゾーンを見つける必要がある。
論文 参考訳（メタデータ） (2026-10-09T07:12:50Z) - TRACE: Privacy-Preserving Next-Best-View Selection over Distributed 3D Gaussian-Splat Maps [4.216010540139731]
ロボットのチームは、それぞれ独自の3Dガウススプラッティングマップを構築し、それをプライベートに保ちます。
ロボットは、自身の経路に沿ったスプラペットについて、最も期待されている情報ゲイン(EIG)でビューを選択する。
スプラッターの奥行きが2つのロボットのヒットと混ざり合わない限り、再建は正確であることを証明する。
論文 参考訳（メタデータ） (2026-09-30T23:32:16Z) - Otter: A Time-Aware, History-Conditioned Human Chess AI [0.0]
オッターは、タイムアウェアでシーケンシャルなプロセスとしてプレイをモデル化することで人間の動きの選択を予測する。
Otterは、1つのT4 GPU上で30日間に1億7700万のLichessラピッドゲームから610億のポジションでトレーニングされている。
論文 参考訳（メタデータ） (2026-08-05T07:47:30Z) - Robostral Navigate [138.74472687550374]
Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。
モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。
我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
論文 参考訳（メタデータ） (2026-07-22T23:13:05Z) - SPACE: Swarm Pheromone Fields for Adaptive Collision-Aware Exploration [5.462829303650626]
本研究では,SPACE, Swarm Pheromone Fields for Adaptive Collision-Aware Explorationを提案する。
アリの餌食に触発されて、SPACEは、魅力的なフロンティアフェロモン、推進剤探索フェロモン、高速ロボット密度フィールドで共有環境を維持できる。
そこで,本研究では,実建築フロアプラン,すなわちHouseExpoデータセットから16のホームレイアウト,KTHデータセットから8のキャンパスフロア,および最大2,5,6台のロボット群を用いてSPACEを評価した。
論文 参考訳（メタデータ） (2026-06-28T12:37:20Z) - MapEx: Indoor Structure Exploration with Probabilistic Information Gain from Global Map Predictions [6.420382919565209]
我々は、しばしば予測可能で繰り返しパターンから構成される、構造化された屋内環境を探索するロボットに焦点を当てる。
近年の研究では、深層学習技術を用いて地図の未知領域を予測し、これらの予測を情報ゲイン計算に利用している。
本研究では,予測地図を用いて情報ゲイン推定のための確率的センサモデルを構築する新しい探索フレームワークであるMapExを紹介する。
論文 参考訳（メタデータ） (2024-09-23T22:48:04Z) - Exploring 3D Human Pose Estimation and Forecasting from the Robot's Perspective: The HARPER Dataset [52.22758311559]
本研究では,ユーザとスポット間のダイアドインタラクションにおける3次元ポーズ推定と予測のための新しいデータセットであるHARPERを紹介する。
キーノーベルティは、ロボットの視点、すなわちロボットのセンサーが捉えたデータに焦点を当てることである。
HARPERの基盤となるシナリオには15のアクションが含まれており、そのうち10つはロボットとユーザの間の物理的接触を含んでいる。
論文 参考訳（メタデータ） (2024-03-21T14:53:50Z) - Swarm Bug Algorithms for Path Generation in Unknown Environments [56.07676459156789]
我々は,古典経路生成アルゴリズムCom,Bug1,Bug2のSwarmCom,SwarmBug1,SwarmBug2と呼ばれるSwarm一般化を提案する。
潜在的なアプリケーションには、損傷した環境が典型的である検索・救助操作が含まれる。
論文 参考訳（メタデータ） (2023-08-15T12:30:15Z) - Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。
我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。
感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文 参考訳（メタデータ） (2023-06-16T17:58:10Z) - Pose Forecasting in Industrial Human-Robot Collaboration [10.572371700431589]
ポーズ予測のためのSeS-GCN(Separable-Sparse Graph Convolutional Network)を提案する。
最先端と比較して、パラメータの1.72%しか使用せず、4倍高速である。
産業協力(CHICO)におけるCobotsとHumansの新しいベンチマークを提案する。
論文 参考訳（メタデータ） (2022-07-24T12:10:30Z)
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。