日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

群制御arXiv:2604.19404

M²GRPO: 生体模倣水中ロボットの追跡のためのMambaベースのマルチエージェントグループ相対方策最適化

M$^{2}$GRPO: Mamba-based Multi-Agent Group Relative Policy Optimization for Biomimetic Underwater Robots Pursuit

シェア:XThreadsFacebookLINEはてブBluesky

生体模倣水中ロボットの協調追跡問題に対し、Mambaポリシーとグループ相対方策最適化を組み合わせた新しいフレームワークM²GRPOを提案し、シミュレーションと実機実験で既存手法より高い追跡成功率と捕獲効率を達成した。

詳しい要約

1. どんなもの?

- 仿生水下机器人の協調追跡における新たなポリシー学習フレームワーク M$^{2}$GRPO を提案。 - Mamba-based multi-agent group relative policy optimization の略。 - 選択的状態空間 Mamba ポリシーと group-relative policy optimization を統合。 - 集中訓練・分散実行 (CTDE) パラダイムを採用。 - 長期的意思決定、部分観測性、ロボット間協調の課題に対処。

2. 先行研究と比べてどこがすごい?

- 従来のポリシー学習法は長期意思決定や部分観測性、協調に課題。 - MAPPO や recurrent ベースラインと比較して追跡成功率と捕獲効率で一貫して優位。 - 訓練リソースの需要を大幅に削減しつつ安定かつスケーラブルな更新を実現。 - 安定性を犠牲にせずクレジット割り当てを改善。

3. 技術・手法の肝は?

- Mamba ベースポリシーが観測履歴を利用し長期時間依存性を捕捉。 - 注意ベースの関係特徴でエージェント間相互作用をエンコード。 - 正規化ガウスサンプリングで有界連続行動を生成。 - グループ相対アドバンテージを各エピソード内でエージェント間の報酬正規化により取得。 - GRPO のマルチエージェント拡張で最適化。

4. どうやって有効だと検証した?

- 広範なシミュレーションと実世界のプール実験を実施。 - チーム規模と逃避者戦略を変化させて評価。 - M$^{2}$GRPO が MAPPO と recurrent ベースラインより追跡成功率と捕獲効率で一貫して優れることを実証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- MAPPO - recurrent baselines - GRPO - Mamba

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yukai Feng, Zhiheng Wu, Zhengxing Wu, Junwen Gu, Junzhi Yu

分類: cs.RO, cs.AI

原文アブストラクト

Traditional policy learning methods in cooperative pursuit face fundamental challenges in biomimetic underwater robots, where long-horizon decision making, partial observability, and inter-robot coordination require both expressiveness and stability. To address these issues, a novel framework called Mamba-based multi-agent group relative policy optimization (M$^{2}$GRPO) is proposed, which integrates a selective state-space Mamba policy with group-relative policy optimization under the centralized-training and decentralized-execution (CTDE) paradigm. Specifically, the Mamba-based policy leverages observation history to capture long-horizon temporal dependencies and exploits attention-based relational features to encode inter-agent interactions, producing bounded continuous actions through normalized Gaussian sampling. To further improve credit assignment without sacrificing stability, the group-relative advantages are obtained by normalizing rewards across agents within each episode and optimized through a multi-agent extension of GRPO, significantly reducing the demand for training resources while enabling stable and scalable policy updates. Extensive simulations and real-world pool experiments across team scales and evader strategies demonstrate that M$^{2}$GRPO consistently outperforms MAPPO and recurrent baselines in both pursuit success rate and capture efficiency. Overall, the proposed framework provides a practical and scalable solution for cooperative underwater pursuit with biomimetic robot systems.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI