arXiv · 18.06.2026 ·Машинное обучение

Децентрализованный алгоритм локализации для групп мобильных роботов

Исследователи представили новый метод координации групп мобильных роботов, который позволяет им определять свое местоположение относительно друг друга без использования внешней инфраструктуры, такой как GPS или заранее установленные маяки. Алгоритм опирается исключительно на данные измерений дальности между участниками группы, что делает его пригодным для развертывания в неструктурированных и динамически меняющихся условиях.

Ключевой особенностью разработки является децентрализованный подход к вычислениям. Каждый робот в составе флота обрабатывает данные локально, обмениваясь информацией только с ближайшими соседями. Это исключает необходимость в централизованном узле управления и повышает отказоустойчивость всей системы: выход из строя одного или нескольких юнитов не нарушает процесс навигации остальных участников группы.

Предложенное решение ориентировано на задачи, требующие высокой мобильности и быстрого развертывания, где установка стационарных систем навигации невозможна или экономически нецелесообразна. Метод обеспечивает точность позиционирования, достаточную для выполнения задач кооперативного управления и навигации в сложных средах, минимизируя при этом требования к вычислительным мощностям бортового оборудования.

Источник: arXiv

Похожие материалы

arXiv · Машинное обучение Фреймворк Lagrange для автономного вождения в открытых средах Исследователи представили Lagrange — новый подход к созданию систем автономного вождения, основанный на энергетических моделях и разреженных вычислениях. В отличие от традиционных плотных сетей, таких как сетки заполнения (occupancy networks), которые требуют значительных вычислительных мощностей для обработки геометрических данных, Lagrange фокусируется на эффективности представления пространства. Это позволяет модели лучше адаптироваться к нестандартным дорожным ситуациям и редким сценариям, с которыми сложно справляться классическим алгоритмам. The Decoder · ИИ в бизнесе Nvidia и университеты США обучили роботов навыкам захвата через ИИ-агентов Исследователи из Nvidia, Университета Карнеги — Меллона и Калифорнийского университета в Беркли представили метод обучения робототехники с помощью автономных ИИ-агентов. Система использует возможности генеративного кода для самостоятельной корректировки движений роботов в реальных условиях. Вместо классического программирования каждого действия, агенты анализируют неудачные попытки и автоматически переписывают алгоритмы управления, чтобы повысить точность выполнения сложных манипуляций. Ars Technica - All content · ИИ в бизнесе NVIDIA использует ИИ-агентов для автономного обучения роботов Компания NVIDIA представила новую методику подготовки робототехнических систем, в которой ключевую роль играют автономные ИИ-агенты, специализирующиеся на написании кода. Вместо ручного программирования каждого движения или алгоритма, система использует группы агентов для самостоятельной корректировки и оптимизации обучающих сценариев. Это позволяет роботам быстрее адаптироваться к выполнению сложных задач в динамических условиях. arXiv · Машинное обучение Новый алгоритм Q-обучения для управления в условиях неопределенности Исследователи представили алгоритм робастного Q-обучения, предназначенный для решения задач управления средним полем (mean-field control) в дискретном времени. Метод ориентирован на работу в условиях неопределенности, описываемой метрикой Вассерштейна для закона общего шума. Это позволяет моделям сохранять стабильность и эффективность даже при наличии непредсказуемых внешних факторов, влияющих на динамику системы. arXiv · Исследования и наука Новый метод вычисления сходства траекторий судов на основе контрастного обучения Учёные представили новый фреймворк MoCo-AIS для вычисления сходства траекторий судов. Он основан на контрастном обучении и предназначен для анализа мобильных паттернов, что важно для извлечения маршрутных шаблонов, прогнозирования мобильности и обнаружения аномалий. Hacker News · Инфраструктура для агентов 10-КБ модель для управления пробуждением 4-миллиардного робота Исследователи представили компактную модель весом всего 10 КБ, которая управляет пробуждением и активацией робота с 4-миллиардными параметрами. Это решение позволяет эффективно контролировать сложные системы с минимальными вычислительными затратами. Hacker News · Оркестрация агентов DeLM: децентрализованный подход к управлению мультиагентными системами Исследователи из Стэнфорда представили метод DeLM (Decentralized Language Modeling), который позволяет оптимизировать взаимодействие нескольких ИИ-агентов без использования центрального оркестратора. Традиционные системы мультиагентного взаимодействия часто полагаются на управляющий узел, который распределяет задачи и координирует действия, что создает узкие места в производительности и увеличивает накладные расходы на вычисления. arXiv · Оркестрация агентов Новый подход к маршрутизации множества ИИ-агентов Исследователи из Университета Карнеги-Меллон представили новую работу, посвящённую компиляционным методам в задачах маршрутизации множества агентов (MAPF). В отличие от классических подходов, где все агенты должны достичь заданных целей без столкновений, авторы рассматривают варианты с разными требованиями к агентам. arXiv · Инфраструктура для агентов Новый метод для координации агентов с разными целями Исследователи из MIT и Университета Карнеги-Меллона представили новый подход к обучению ИИ-агентов в условиях многозадачности и конфликтов целей. В статье на arXiv они описывают Preference Coordinated Multi-agent Policy Optimization (PCMA) — метод, который позволяет агентам координировать свои действия даже при наличии противоречивых целей и различий в наблюдениях и ролях. arXiv · Память и RAG Как улучшить надёжность ИИ-агентов в робототехнике Исследователи из MIT и других ведущих университетов предложили новый подход к улучшению надёжности ИИ-агентов в робототехнике. В своей работе, опубликованной на arXiv, они рассматривают проблему обнаружения аномалий в поведении роботов, управляемых генеративными моделями.

← Все материалы