論文の概要: CoopUQ: Robust Multi-Robot Social Navigation via Uncertainty-Aware Cooperative Forecasting

• arxiv url: http://arxiv.org/abs/2610.26852v1
• Date: Mon, 19 Oct 2026 17:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:50:10.49991
• Title: CoopUQ: Robust Multi-Robot Social Navigation via Uncertainty-Aware Cooperative Forecasting
• Title（参考訳）: CoopUQ: 不確実性を認識した協調予測によるロバストなマルチロボットソーシャルナビゲーション
• Abstract要約: CoopUQは、不確実性を認識した協調的占有率予測と堅牢な意思決定を橋渡しするマルチロボットソーシャルナビゲーションフレームワークである。 本研究は,代表ベースラインよりも予測性能と安全性が向上したことを示す。
• 参考スコア（独自算出の注目度）: 51.001180841180506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement learning enables mobile robots to make fast and scalable navigation decisions in constrained human-shared environments. However, directly extending single-robot approaches to multi-robot settings often fails to ensure safety and efficiency, especially under occlusions and out-of-distribution (OOD) scenarios, where individual robots may overlook potential risks or make inaccurate predictions. Leveraging cooperation effectively for both prediction and navigation remains a major challenge. We propose CoopUQ, a multi-robot social navigation framework that bridges uncertainty-aware cooperative occupancy forecasting and robust decision making. CoopUQ predicts future occupancy grid maps through cross-robot spatiotemporal feature fusion and further leverages forecasts and their uncertainty to guide policy via constrained multi-agent reinforcement learning, where the cost penalizes navigation through regions predicted to be occupied or highly uncertain. This design enables the policy to adapt its risk sensitivity under distribution shifts. Experimental results across multiple Unity3D-based simulation environments with both in-distribution and OOD settings, including diverse layouts, pedestrian densities, and rushing behavior, demonstrate improved prediction performance and safety over representative baselines. Real-robot experiments further demonstrate its robustness across various scenes. Our code and videos are available at https://coopuq.github.io/.
• Abstract（参考訳）: 強化学習により、制約のある人間と共有された環境で、モバイルロボットが高速でスケーラブルなナビゲーション決定を行うことができる。 しかしながら、シングルロボットのアプローチを直接マルチロボット設定に拡張することは、特にオクルージョンとアウト・オブ・ディストリビューション(OOD)シナリオの下で、安全性と効率を確保するのに失敗することが多い。 予測とナビゲーションの両方に効果的な協力を活用することは、依然として大きな課題である。 我々は,不確実性を考慮した協調的占有予測とロバストな意思決定を橋渡しするマルチロボットソーシャルナビゲーションフレームワークであるCoopUQを提案する。 CoopUQは、クロスロボット時空間的特徴融合による将来の占有グリッドマップを予測し、さらに予測と不確実性を活用して、制約付きマルチエージェント強化学習を通じてポリシーを導出する。 この設計により、政策は分散シフトの下でリスク感度を適応できる。 複数のUnity3Dをベースとしたシミュレーション環境において,多様なレイアウト,歩行者密度,ラッシュ動作などのOOD設定を併用した実験により,代表ベースラインに対する予測性能と安全性が向上した。 実ロボット実験は様々な場面でその頑丈さを実証している。 私たちのコードとビデオはhttps://coopuq.github.io/で公開されています。

関連論文リスト

• TRACER: Adaptive Multi-Robot Social Navigation via Joint Human-Response Prediction and Interaction-Aware Replanning [15.947366731480585]
  人影空間におけるマルチロボットナビゲーションは本質的にインタラクティブである。 本稿では,予測と適応のループを閉じる双方向リテーディング・ホライゾン・フレームワークであるTRACERを提案する。 実験により、TRACERはキャパシティマッチングされた添加物予測器よりも、より正確に付加的でない多ボット相互作用効果を捉えることが示された。
  論文  参考訳（メタデータ） (2026-09-16T14:59:12Z)
• VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments [19.811711277536187]
  マルチロボット探索は通常、フロンティア割り当てをローカルナビゲーションから切り離す。 VORL-EXPLOREは,この制約に対処するハイブリッド学習・計画フレームワークである。 また、グローバルA*ガイダンスとリアクティブ強化学習ポリシーとの間のリスク対応適応的仲裁機構も推進している。
  論文  参考訳（メタデータ） (2026-03-09T05:20:33Z)
• Fast Confidence-Aware Human Prediction via Hardware-accelerated Bayesian Inference for Safe Robot Navigation [2.745453886412164]
  本稿では,将来予測を粒子として扱う信頼度を考慮した予測手法を提案する。 我々の実装は、より詳細な予測時間ステップをサポートし、よりきめ細かい軌道予測をもたらす。 我々は、実世界の実験を通じて、ロボットが複数の人間の間で安全にナビゲートできることを実証し、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-03-01T14:13:58Z)
• Optimal-Horizon Social Robot Navigation in Heterogeneous Crowds [39.07961392770344]
  環境の不確実性や複雑な人間とロボットの相互作用のため、密集した動的な群集の中で社会ロボットをナビゲートすることは困難である。 MPCは、強力なリアルタイムパフォーマンスを提供し、固定された予測地平線への依存は、環境の変化や社会的ダイナミクスへの適応性を制限している。 オンライン上でのMPCの視線を推定した状況に応じて最適化する最適水平社会ナビゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T07:09:15Z)
• Towards Generalizable Safety in Crowd Navigation via Conformal Uncertainty Handling [26.554847852013737]
  そこで本研究では,ロボットが分散シフトに頑健な安全なナビゲーションポリシーを学習できることを提案する。 本手法は適応型共形推論により生成された予測不確実性推定を用いてエージェント観測を増強する。 我々は,本手法を実際のロボットに展開し,疎密な群集と密集した群集との相互作用において,ロボットが安全かつ堅牢な決定を行うことを示す。
  論文  参考訳（メタデータ） (2025-08-07T17:59:43Z)
• Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
  本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。 提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。 これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
  論文  参考訳（メタデータ） (2025-04-30T13:47:25Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Principles and Guidelines for Evaluating Social Robot Navigation Algorithms [44.51586279645062]
  社会的ロボットナビゲーションは、動的エージェントとそのロボット行動の適切性に対する認識が関係しているため、評価が難しい。 コントリビューションには、(a)安全性、快適性、妥当性、丁寧さ、社会的能力、エージェント理解、活動性、文脈に対する応答性に関する原則、(b)メトリクスの使用のためのガイドライン、シナリオ、ベンチマーク、データセット、社会ナビゲーションを評価するためのシミュレーター、(c)様々なシミュレーター、ロボット、データセットの結果の比較を容易にするソーシャルナビゲーションメトリクスフレームワークなどが含まれます。
  論文  参考訳（メタデータ） (2023-06-29T07:31:43Z)
• 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)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。