論文の概要: Fast Decomposition of Temporal Logic Specifications for Heterogeneous Teams

• arxiv url: http://arxiv.org/abs/2010.00030v1
• Date: Wed, 30 Sep 2020 18:04:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:44:15.608033
• Title: Fast Decomposition of Temporal Logic Specifications for Heterogeneous Teams
• Title（参考訳）: 異種チームのための時相論理仕様の高速分解
• Authors: Kevin Leahy, Austin Jones, Cristian-Ioan Vasile
• Abstract要約: 我々は,大規模なマルチエージェントパス計画問題を,独立して解決・実行可能なより小さなサブプロブレムに分解することに注力する。 エージェントのミッションは、信号時間論理の断片であるCaTL(Capability Temporal Logic)公式として与えられる。 私たちが取っているアプローチは、時間論理仕様とエージェントのチームの両方を分解することです。
• 参考スコア（独自算出の注目度）: 1.856334276134661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we focus on decomposing large multi-agent path planning problems with global temporal logic goals (common to all agents) into smaller sub-problems that can be solved and executed independently. Crucially, the sub-problems' solutions must jointly satisfy the common global mission specification. The agents' missions are given as Capability Temporal Logic (CaTL) formulas, a fragment of signal temporal logic, that can express properties over tasks involving multiple agent capabilities (sensors, e.g., camera, IR, and effectors, e.g., wheeled, flying, manipulators) under strict timing constraints. The approach we take is to decompose both the temporal logic specification and the team of agents. We jointly reason about the assignment of agents to subteams and the decomposition of formulas using a satisfiability modulo theories (SMT) approach. The output of the SMT is then distributed to subteams and leads to a significant speed up in planning time. We include computational results to evaluate the efficiency of our solution, as well as the trade-offs introduced by the conservative nature of the SMT encoding.
• Abstract（参考訳）: 本研究では,大域的時間論理目標(すべてのエージェントに共通する)による大規模マルチエージェントパス計画問題を,独立して解決・実行可能な小さなサブプロブレムに分解することに焦点を当てる。 重要なことに、サブプロブレムの解決策は共通のグローバルミッション仕様を共同で満たさなければならない。 エージェントの任務は能力時相論理(capability temporal logic, catl)の式、信号時相論理の断片として与えられ、厳格なタイミング制約の下で複数のエージェント能力(例えば、カメラ、赤外線、エフェクタ、例えば車輪、飛行、マニピュレータ)を含むタスク上の特性を表現することができる。 私たちが採用するアプローチは、時相論理仕様とエージェントチームの両方を分解することです。 我々は、サブチームへのエージェントの割り当てと、SMT(Satisfiability modulo theory)アプローチを用いた公式の分解について共同で推論する。 SMTの出力はサブチームに分散され、計画時の大幅なスピードアップにつながる。 我々は,SMT符号化の保守的な性質によって導入されたトレードオフに加えて,解の効率を評価するための計算結果を含む。

関連論文リスト

• Decomposition-based Hierarchical Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications [9.150196865878234]
  時間論理仕様を用いたロボット計画のための分解に基づく階層的枠組みを定式化する。 混合線形プログラムは、様々なロボットにサブタスクを割り当てるために使用される。 本手法はナビゲーションと操作の領域に実験的に適用された。
  論文  参考訳（メタデータ） (2023-08-20T23:53:13Z)
• Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
  3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。 これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。 実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
  論文  参考訳（メタデータ） (2023-05-29T23:24:14Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• 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)
• On the Complexity of Rational Verification [5.230352342979224]
  合理的検証とは、同時マルチエージェントシステムの時間論理特性が保持する問題を指す。 合理的な検証の複雑さは仕様によって大幅に低減できることを示す。 平均支払ユーティリティ関数によって与えられるプレイヤーの目標を考慮した場合、合理的な検証のための改善された結果を提供する。
  論文  参考訳（メタデータ） (2022-07-06T12:56:22Z)
• Prioritized SIPP for Multi-Agent Path Finding With Kinematic Constraints [0.0]
  MAPF(Multi-Agent Path Finding)は、ロボティクスと人工知能における長年の問題である。 この問題をある程度緩和する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-11T10:42:11Z)
• Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
  本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。 我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。 主アルゴリズムの正確性と収束性を保証する。
  論文  参考訳（メタデータ） (2021-02-01T01:13:03Z)
• Combining Propositional Logic Based Decision Diagrams with Decision Making in Urban Systems [10.781866671930851]
  我々は不確実性と部分的可観測性を考慮したマルチエージェントパスフィンディングの課題に取り組む。 我々は命題論理を用いて、RLの高速なシミュレーションを可能にするために、RLアルゴリズムとそれらを統合する。
  論文  参考訳（メタデータ） (2020-11-09T13:13:54Z)
• Jump Operator Planning: Goal-Conditioned Policy Ensembles and Zero-Shot Transfer [71.44215606325005]
  本稿では,シーケンシャルなサブゴールタスクの超指数空間における解を高速に計算するための,Jump-Operator Dynamic Programmingという新しいフレームワークを提案する。 このアプローチでは、時間的に拡張された行動として機能する、再利用可能な目標条件付き警察のアンサンブルを制御する。 すると、この部分空間上の目的関数のクラスを、解がグラウンド化に不変であるものとして特定し、最適ゼロショット移動をもたらす。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)
• 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)

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。