論文の概要: GGraph: A GPU-Accelerated Library for Graph-Based Robot Deployment and Learning

• arxiv url: http://arxiv.org/abs/2610.28953v1
• Date: Tue, 20 Oct 2026 22:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.152604
• Title: GGraph: A GPU-Accelerated Library for Graph-Based Robot Deployment and Learning
• Title（参考訳）: GGraph: グラフベースのロボット展開と学習のためのGPUアクセラレーションライブラリ
• Abstract要約: ロボットデプロイメントと大規模学習の両方のための,オープンソースのGPUアクセラレーショングラフライブラリであるGGraphを紹介する。 GGraphは、ROS 2インターフェイスとベクトル化されたGPUベースのポリシートレーニングを通じて、実際のロボットをサポートし、3Dナビゲーション、探索、ループクロージャの統合を含むタスクを組み込みでサポートする。 大規模なグラフベースの探索ポリシーにより、数百の並列ロボットを横断するトレーニングを可能にし、ウォールタイムのトレーニング時間を1桁短縮する。
• 参考スコア（独自算出の注目度）: 19.60194718122015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous mobile robots require spatial representations that capture geometry and semantics while staying sparse enough for planning in large, unknown environments. Graphs provide a natural representation for this purpose and underpin both classical planning methods and a growing class of reinforcement-learning (RL) policies. However, RL training needs hundreds to thousands of parallel environments, each constructing and updating its own graph. Existing graph libraries are typically designed for either single-robot deployment or fixed graphs, and CPU-based graph construction limits scalable training to only a few dozen environments. We introduce GGraph, an open-source GPU-accelerated graph library for both robot deployment and large-scale learning. GGraph supports real robots through ROS 2 interfaces and vectorized GPU-based policy training, with built-in support for tasks including 3-D navigation, exploration, and loop-closure integration. For single-robot operation, GGraph updates graphs in milliseconds. At scale, it enables graph-based exploration policies to train across hundreds of parallel robots, reducing wall-clock training time by one order of magnitude. Across simulation and real-world experiments, these results establish GGraph as a unified graph infrastructure for both large-scale robot learning and deployment.
• Abstract（参考訳）: 自律的な移動ロボットは、大きな未知の環境での計画に十分な疎らさを維持しながら、幾何学や意味を捉える空間表現を必要とする。 グラフはこの目的のために自然な表現を提供し、古典的な計画手法と強化学習(RL)政策の成長を支えている。 しかし、RLトレーニングには数百から数千の並列環境が必要であり、それぞれが独自のグラフを構築し、更新する。 既存のグラフライブラリは通常、シングルボットデプロイメントまたは固定グラフ用に設計されており、CPUベースのグラフ構築では、数十の環境に拡張性のあるトレーニングを制限している。 ロボットデプロイメントと大規模学習の両方のための,オープンソースのGPUアクセラレーショングラフライブラリであるGGraphを紹介する。 GGraphは、ROS 2インターフェイスとベクトル化されたGPUベースのポリシートレーニングを通じて、実際のロボットをサポートし、3Dナビゲーション、探索、ループクロージャの統合を含むタスクを組み込みでサポートする。 シングルロボット操作では、GGraphはグラフをミリ秒で更新する。 大規模なグラフベースの探索ポリシーにより、数百の並列ロボットを横断するトレーニングを可能にし、ウォールタイムのトレーニング時間を1桁短縮する。 シミュレーションと実世界の実験を通して、これらの結果は大規模ロボット学習と展開のための統合グラフ基盤としてGGraphを確立した。

関連論文リスト

• Pixels-to-Graph: Real-time Integration of Building Information Models and Scene Graphs for Semantic-Geometric Human-Robot Understanding [6.924983239916623]
  画像画素とLiDARマップから構造化されたシーングラフをリアルタイムに生成する,新しい軽量な手法である Pixels-to-Graph (Pix2G) を紹介する。 このフレームワークは、オンボードの計算制約を満たすためだけにCPU上のすべての操作を実行するように設計されている。 提案手法は,NASA JPL NeBula-Spot脚ロボットを用いた実世界の実験において,定量的に定性的に評価される。
  論文  参考訳（メタデータ） (2025-06-27T19:23:31Z)
• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• GraphStorm: all-in-one graph machine learning framework for industry applications [75.23076561638348]
  GraphStormはスケーラブルなグラフ構築、グラフモデルのトレーニング、推論のためのエンドツーエンドソリューションである。 GraphStormのすべてのコンポーネントは数十億のノードを持つグラフ上で動作でき、コードを変更することなく、モデルのトレーニングと推論を異なるハードウェアにスケールすることができる。 GraphStormは、2023年5月にリリースされて以来、数十億以上の業界アプリケーションで使われ、デプロイされてきた。
  論文  参考訳（メタデータ） (2024-06-10T04:56:16Z)
• Faster Optimization in S-Graphs Exploiting Hierarchy [8.17925295907622]
  冗長なロボットのポーズを余剰にすることでグラフサイズを削減するため,階層構造を利用したSグラフの改良版を提案する。 ベースラインに対する計算時間を39.81%削減しながら,ベースラインと同等の精度を示す。
  論文  参考訳（メタデータ） (2023-08-22T07:35:15Z)
• GSplit: Scaling Graph Neural Network Training on Large Graphs via Split-Parallelism [6.3568605707961]
  ミニバッチトレーニングは、大きなグラフ上でグラフニューラルネットワーク(GNN)をトレーニングするために一般的に使用される。 本稿では,スプリット・パララリズム(split parallelism)と呼ばれる,ハイブリッド並列型ミニバッチ・トレーニングパラダイムを提案する。 分割並列性はDGLやQuiver,P3$といった最先端のミニバッチトレーニングシステムよりも優れています。
  論文  参考訳（メタデータ） (2023-03-24T03:28:05Z)
• Graph-based Global Robot Localization Informing Situational Graphs with Architectural Graphs [8.514420632209811]
  建物の計画図を建築図(A-Graph)と表現するものに変換する手法を開発する。 ロボットが環境内で動き始めると、その環境について何も知らないと仮定し、その環境のオンライン状況グラフ表現(S-Graph)を推定する。 本研究では,ロボットセンサから推定したSグラフと建築計画から抽出したAグラフを関連付けるために,新しいグラフ間マッチング法を開発した。
  論文  参考訳（メタデータ） (2023-03-03T16:48:38Z)
• S-Graphs+: Real-time Localization and Mapping leveraging Hierarchical Representations [9.13466172688693]
  S-Graphs+は,(1)ロボットのポーズを推定したポーズ層,(2)壁面を表す壁層,(3)壁面の集合を含む部屋層,(4)部屋を所定の階内に集める床層を含む,新しい4層係数グラフである。 上記のグラフは、ロボットのポーズとそのマップの堅牢で正確な推定値を得るために、リアルタイムで最適化され、同時に環境の高レベル情報を構築し、活用する。
  論文  参考訳（メタデータ） (2022-12-22T15:06:21Z)
• Scaling R-GCN Training with Graph Summarization [71.06855946732296]
  リレーショナルグラフ畳み込みネットワーク(R-GCN)のトレーニングは、グラフのサイズに合わない。 本研究では,グラフの要約手法を用いてグラフを圧縮する実験を行った。 AIFB, MUTAG, AMデータセットについて妥当な結果を得た。
  論文  参考訳（メタデータ） (2022-03-05T00:28:43Z)

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。