Zehao Wang, Jianpeng Yao, Yuping Wang, Yiping Li, Jiaqi Li, Zhixu Li, Kanghoon Lee, Jinfeng Wang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.26852 · open-access PDF
Verstärktes Lernen ermöglicht es mobilen Robotern, schnelle und skalierbare Navigationsentscheidungen in eingeschränkten, von Menschen geteilten Umgebungen zu treffen. Jedoch ist die direkte Erweiterung von Ein-Robot-Ansätzen auf mehrere Roboter-Einstellungen oft nicht in der Lage, Sicherheit und Effizienz zu gewährleisten, insbesondere in Oclusions- und OOD-Szenarien, wo einzelne Roboter potenzielle Risiken übersehen oder ungenaue Vorhersagen vornehmen können.
Machine translation (Meta M2M100); the English original follows.
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 co
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.26852, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange