Newest papers

CoopUQ: Robust Multi-Robot Social Navigation via Uncertainty-Aware Cooperative Forecasting

Zehao Wang, Jianpeng Yao, Yuping Wang, Yiping Li, Jiaqi Li, Zhixu Li, Kanghoon Lee, Jinfeng Wang, Cong Liu, Zhaowei Tan, Jinkyoo Park, Jiachen Li · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26852 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Học tập tăng cường cho phép robot di động đưa ra quyết định điều hướng nhanh chóng và có thể mở rộng trong các môi trường được chia sẻ bởi con người bị hạn chế. Tuy nhiên, việc mở rộng trực tiếp các phương pháp tiếp cận robot đơn đến các thiết lập robot đa thường không đảm bảo an toàn và hiệu quả, đặc biệt là trong các kịch bản OOD (Occlusions and Out of Distribution) nơi robot cá nhân có thể bỏ qua các rủi ro tiềm năng hoặc đưa ra dự đoán không chính xác. Tận dụng sự hợp tác hiệu quả cho cả dự đoán và điều hướng vẫn là một thách thức lớn. Chúng tôi đề xuất CoopUQ, một khuôn khổ điều hướng xã hội đa robot giúp cầu nối dự báo công việc hợp tác có nhận thức về sự không chắc chắn và đưa ra quyết định mạnh mẽ. CoopUQ dự đoán các bản đồ lưới công việc trong tương lai thông qua sáp nhập

Machine translation (Meta M2M100); the English original follows.

Abstract

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 cooperative occupancy forecasting and robust decision making. CoopUQ predicts future occupancy grid maps through cross-robot spatiotemporal feature fusion and further leverages forecasts and their uncertainty to guide policy via constrained multi-agent reinforcement learning, where the cost penalizes navigation through regions predicted to be occupied or highly uncertain. This design enables the policy to adapt its risk sensitivity under distribution shifts. Experimental results across multiple Unity3D-based simulation environments with both in-distribution and OOD settings, including diverse layouts, pedestrian densities, and rushing behavior, demonstrate improved prediction performance and safety over representative baselines. Real-robot experiments further demonstrate its robustness across various scenes. Our code and videos are available at https://coopuq.github.io/.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Robustness (evolution), Occupancy grid mapping, Reinforcement learning, Scalability, Pedestrian

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange