論文の概要: Explanation Generation for Multi-Modal Multi-Agent Path Finding with
Optimal Resource Utilization using Answer Set Programming
- arxiv url: http://arxiv.org/abs/2008.03573v1
- Date: Sat, 8 Aug 2020 18:34:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 12:13:32.050248
- Title: Explanation Generation for Multi-Modal Multi-Agent Path Finding with
Optimal Resource Utilization using Answer Set Programming
- Title(参考訳): Answer Set Programming を用いた最適資源利用によるマルチモーダルマルチエージェントパスの探索生成
- Authors: Aysu Bogatarkan and Esra Erdem
- Abstract要約: mMAPFの実際の応用には柔軟性と説明性が必要である。
本稿では,ソリューションの実現可能性と最適性に関する質問に対する説明を生成する手法を提案する。
- 参考スコア(独自算出の注目度): 1.7132914341329848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The multi-agent path finding (MAPF) problem is a combinatorial search problem
that aims at finding paths for multiple agents (e.g., robots) in an environment
(e.g., an autonomous warehouse) such that no two agents collide with each
other, and subject to some constraints on the lengths of paths. We consider a
general version of MAPF, called mMAPF, that involves multi-modal transportation
modes (e.g., due to velocity constraints) and consumption of different types of
resources (e.g., batteries). The real-world applications of mMAPF require
flexibility (e.g., solving variations of mMAPF) as well as explainability. Our
earlier studies on mMAPF have focused on the former challenge of flexibility.
In this study, we focus on the latter challenge of explainability, and
introduce a method for generating explanations for queries regarding the
feasibility and optimality of solutions, the nonexistence of solutions, and the
observations about solutions. Our method is based on answer set programming.
This paper is under consideration for acceptance in TPLP.
- Abstract(参考訳): MAPF問題(Multi-agent path find)は、複数のエージェント(例えば、自律倉庫など)が互いに衝突しない環境(例えば、自律倉庫)において、複数のエージェント(例えば、ロボット)の経路を見つけることを目的とした組合せ探索問題である。
MAPFの一般的なバージョンであるmMAPFは、マルチモーダル輸送モード(例えば、速度制約による)と異なるタイプの資源(例えば、電池)の消費を含む。
mMAPFの実際の応用には柔軟性(例えばmMAPFのバリエーションの解決)と説明可能性が必要である。
mMAPFに関する以前の研究は、かつての柔軟性の課題に焦点を合わせてきた。
本研究では,説明可能性に関する後者の課題に焦点をあて,解の実現性と最適性,解の非存在,解の観察に関する質問に対する説明を生成する手法を提案する。
我々の手法は応答集合プログラミングに基づいている。
本論文はTPLPの受容について検討中である。
関連論文リスト
- Scalable Mechanism Design for Multi-Agent Path Finding [90.68703851865585]
MAPF (Multi-Agent Path Finding) は、複数のエージェントが特定の目標地点に向かって共有領域を同時に移動するための経路を決定する。
最適解を見つけることは、しばしば計算不可能であり、近似アルゴリズムを用いることが不可欠である。
本稿では,MAPFのスケーラブルな機構設計の問題を紹介し,その対策として3つのメカニズムを提案する。
論文 参考訳(メタデータ) (2024-01-30T14:26:04Z) - Why Solving Multi-agent Path Finding with Large Language Model has not
Succeeded Yet [31.253063077167617]
我々はマルチエージェント経路探索(MAPF)の問題に焦点をあて、マルチロボット経路計画(multi-robot route planning)とも呼ばれる。
障害物のない空の部屋マップ上でのモチベーションの成功を示すとともに、標準MAPFベンチマークのより難しい部屋マップと迷路マップの計画に失敗することを示す。
論文 参考訳(メタデータ) (2024-01-08T02:22:04Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - Thought Propagation: An Analogical Approach to Complex Reasoning with
Large Language Models [70.76692652007469]
大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。
TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。
TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
論文 参考訳(メタデータ) (2023-10-06T01:40:09Z) - Traffic Flow Optimisation for Lifelong Multi-Agent Path Finding [29.76466191644455]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題であり、エージェントのチームに対して衝突のない経路の計算を求める。
本稿では,MAPFにエージェントを誘導する手法を提案する。
各エージェントが1つの宛先を持つワンショットMAPFと、エージェントが常に新しい宛先を割り当てる終身MAPFの2つの大規模設定でこのアイデアを評価する。
論文 参考訳(メタデータ) (2023-08-22T07:17:39Z) - Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。
標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。
我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。
本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
論文 参考訳(メタデータ) (2023-04-01T15:50:18Z) - POGEMA: Partially Observable Grid Environment for Multiple Agents [64.88759709443819]
POGEMAは、部分的に観測可能なマルチエージェントパスフィンディング(PO-MAPF)問題に挑戦するためのサンドボックスである。
様々なPO-MAPFに合わせることができ、プランニングと学習のための優れた試験場として機能する。
論文 参考訳(メタデータ) (2022-06-22T09:39:50Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳(メタデータ) (2022-01-28T05:53:28Z) - Flexible and Explainable Solutions for Multi-Agent Path Finding Problems [0.0]
MAPFの現実的な応用には、柔軟性(MAPFのバリエーションの解決など)と説明可能性が必要である。
本研究では,これらの課題に対処し,MAPFとその変種に対するフレキシブルで説明可能なソリューションを紹介した。
論文 参考訳(メタデータ) (2021-09-17T01:50:01Z) - Decentralised Approach for Multi Agent Path Finding [6.599344783327053]
MAPF (Multi Agent Path Finding) は、空間的に拡張されたエージェントに対する競合のない経路の同定を必要とする。
これらは、Convoy Movement ProblemやTraning Schedulingといった現実世界の問題に適用できる。
提案手法であるDecentralized Multi Agent Path Finding (DeMAPF) は、MAPFを経路計画と割り当ての問題の系列として扱う。
論文 参考訳(メタデータ) (2021-06-03T18:07:26Z) - Compilation-based Solvers for Multi-Agent Path Finding: a Survey,
Discussion, and Future Opportunities [7.766921168069532]
このトピックの過去の発展と現在の傾向から学んだ教訓を示し、その広範な影響について議論します。
最適MAPF解決のための2つの主要なアプローチは、(1)MAPFを直接解決する専用の検索ベース手法、(2)MAPFインスタンスを異なる確立された形式でインスタンスに還元するコンパイルベース手法である。
論文 参考訳(メタデータ) (2021-04-23T20:13:12Z)
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。