論文の概要: Allocation of Multi-Robot Tasks with Task Variants

• arxiv url: http://arxiv.org/abs/2007.00777v1
• Date: Wed, 1 Jul 2020 21:45:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 23:28:17.433725
• Title: Allocation of Multi-Robot Tasks with Task Variants
• Title（参考訳）: タスク変種によるマルチロボットタスクの割り当て
• Authors: Zakk Giacometti and Yu Zhang
• Abstract要約: 本稿では,マルチロボットタスク割り当て問題のより一般的な定式化について述べる。 本稿では,タスク変数を持つマルチロボットタスク割り当て問題として,この新たな問題を挙げる。 解法では,タスク変数のないタスク割り当て問題に対して,従来の2つのグリージー手法を適用して,この問題を解き,その有効性を解析する。
• 参考スコア（独自算出の注目度）: 4.531240717484252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task allocation has been a well studied problem. In most prior problem formulations, it is assumed that each task is associated with a unique set of resource requirements. In the scope of multi-robot task allocation problem, these requirements can be satisfied by a coalition of robots. In this paper, we introduce a more general formulation of multi-robot task allocation problem that allows more than one option for specifying the set of task requirements--satisfying any one of the options will satisfy the task. We referred to this new problem as the multi-robot task allocation problem with task variants. First, we theoretically show that this extension fortunately does not impact the complexity class, which is still NP-complete. For solution methods, we adapt two previous greedy methods for the task allocation problem without task variants to solve this new problem and analyze their effectiveness. In particular, we "flatten" the new problem to the problem without task variants, modify the previous methods to solve the flattened problem, and prove that the bounds still hold. Finally, we thoroughly evaluate these two methods along with a random baseline to demonstrate their efficacy for the new problem.
• Abstract（参考訳）: タスク割り当てはよく研究された問題です。 ほとんどの事前問題定式化では、各タスクは一意なリソース要求のセットに関連付けられていると仮定される。 マルチロボットタスク割り当て問題の範囲では、これらの要件をロボットの連立によって満たすことができる。 本稿では,タスク要求のセットを指定するために複数のオプションを選択可能なマルチロボットタスク割り当て問題のより一般的な定式化を導入する。 我々は,タスク変量を伴うマルチロボットタスク割り当て問題として,この新しい問題を言及した。 まず、この拡張は幸運にもNP完全である複雑性クラスに影響を与えないことを示す。 解法では,タスク変数のないタスク割り当て問題に対して,従来の2つのグリージー手法を適用して,この問題を解き,その有効性を解析する。 特に、タスクの変種なしで問題に新しい問題を「フラット」し、フラット化問題を解くために以前の方法を変更し、境界が保たれていることを証明します。 最後に,これら2つの手法を無作為ベースラインとともに徹底的に評価し,新たな問題に対する有効性を示す。

関連論文リスト

• Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
  我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。 本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
  論文  参考訳（メタデータ） (2024-05-13T14:54:37Z)
• Parametric-Task MAP-Elites [3.499042782396682]
  Parametric-Task MAP-Elites (PT-ME) は連続マルチタスク最適化問題に対する新しいブラックボックスアルゴリズムである。 PT-ME は2つのパラメトリックタスクの玩具問題に対する深層強化学習アルゴリズム PPO やシミュレーションにおけるロボット問題など,すべてのベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-02T10:04:29Z)
• Learning Complex Teamwork Tasks Using a Given Sub-task Decomposition [11.998708550268978]
  本稿では,タスクをよりシンプルなマルチエージェントサブタスクに分解する手法を提案する。 各サブタスクでは、チーム全体のサブセットが、サブタスク固有のポリシを取得するようにトレーニングされる。 サブチームはマージされ、ターゲットタスクに転送される。そこでは、そのポリシーは、より複雑なターゲットタスクを解決するために、まとめて微調整される。
  論文  参考訳（メタデータ） (2023-02-09T21:24:56Z)
• Robust Subtask Learning for Compositional Generalization [20.54144051436337]
  我々は、どんなタスクでも実行できるように、サブタスクポリシーをトレーニングする問題に焦点を合わせます。 我々は、平均的なケースのパフォーマンスとは対照的に、すべてのタスクで最悪のケースのパフォーマンスを最大化することを目指している。
  論文  参考訳（メタデータ） (2023-02-06T18:19:25Z)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• Task Allocation using a Team of Robots [29.024300177453824]
  本稿では、よく研究されている複数のバージョンを一般化するタスク割り当て問題の一般的な定式化について述べる。 我々の定式化には、ロボット、タスク、そしてそれらが動作する環境の状態が含まれる。 本稿では,実現可能性制約,目的関数,動的に変化する情報のレベルによって,その問題がどう変化するかを説明する。
  論文  参考訳（メタデータ） (2022-07-20T04:49:11Z)
• Variational Multi-Task Learning with Gumbel-Softmax Priors [105.22406384964144]
  マルチタスク学習は、タスク関連性を探究し、個々のタスクを改善することを目的としている。 本稿では,複数のタスクを学習するための一般的な確率的推論フレームワークである変分マルチタスク学習(VMTL)を提案する。
  論文  参考訳（メタデータ） (2021-11-09T18:49:45Z)
• InsertionNet -- A Scalable Solution for Insertion [0.6947442090579469]
  複雑な組み立てプロセスは、握りと挿入の2つの主要なアクティビティのシーケンスとして記述できる。 先行知識(例えばLfDや残留ポリシー)を持つ最近のRLアプローチが採用されている。 本稿では,この課題を回帰問題として定式化する。 視覚入力と力入力を組み合わせることで,16種類の挿入タスクに10分未満でスケールできることを実証した。
  論文  参考訳（メタデータ） (2021-04-29T09:21:17Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)
• Pareto Multi-Task Learning [53.90732663046125]
  マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。 異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。 近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
  論文  参考訳（メタデータ） (2019-12-30T08:58:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。