Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Planification simultanée de mouvements multi-robots avec modèles de diffusion projetés

Created by
  • Haebom

Auteur

Jinhao Liang, Jacob K Christopher, Sven Koenig, Ferdinando Fioretto

Contour

Dans cet article, nous proposons une nouvelle méthode, la diffusion MRMP simultanée (SMD), pour résoudre le problème de planification de mouvements multi-robots (MRMP) à l'aide d'un modèle de diffusion. La méthode SMD génère des trajectoires sans collision et cinématiquement plausibles en s'appuyant sur une optimisation contrainte, qui intègre des contraintes importantes telles que l'évitement des collisions et la plausibilité cinématique dans le processus d'échantillonnage par diffusion. De plus, nous présentons un benchmark MRMP complet pour évaluer les algorithmes de planification de trajectoire dans des scénarios présentant diverses densités de robots, complexités d'obstacles et contraintes de mouvement. Les résultats expérimentaux montrent que la méthode SMD atteint un taux de réussite et une efficacité supérieurs aux méthodes existantes et aux autres algorithmes de planification de mouvements basés sur l'apprentissage dans des environnements multi-robots complexes.

Takeaways, Limitations

Takeaways:
Nous présentons une méthode de planification de mouvement multi-robot efficace et sûre utilisant un modèle de diffusion.
Vérifié expérimentalement pour montrer un taux de réussite et une efficacité élevés dans des environnements de complexité variable.
Fournir une référence standard pour évaluer les algorithmes de planification de mouvement multi-robots.
Limitations:
Un examen plus approfondi est nécessaire sur la généralité et l’évolutivité du benchmark proposé.
Absence de résultats expérimentaux sur des systèmes robotiques réels.
Potentiel de dégradation des performances dans des environnements complexes et de grande dimension.
👍