論文の概要: Learning to Resolve Conflicts for Multi-Agent Path Finding with Conflict-Based Search

• arxiv url: http://arxiv.org/abs/2012.06005v1
• Date: Thu, 10 Dec 2020 22:44:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 06:25:59.208766
• Title: Learning to Resolve Conflicts for Multi-Agent Path Finding with Conflict-Based Search
• Title（参考訳）: 競合に基づく探索によるマルチエージェントパス探索のための競合を解決する学習
• Authors: Taoan Huang, Bistra Dilkina, Sven Koenig
• Abstract要約: Conflict-Based Search (CBS) はパス探索のための最先端のアルゴリズムである。 我々は,oracle の意思決定を観察するコンフリクト選択のための機械学習フレームワークを提案する。 提案手法は,現在のcbsソルバよりも,成功率,検索ツリーサイズ,ランタイムを大幅に向上させる。
• 参考スコア（独自算出の注目度）: 35.71926950656326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conflict-Based Search (CBS) is a state-of-the-art algorithm for multi-agent path finding. At the high level, CBS repeatedly detects conflicts and resolves one of them by splitting the current problem into two subproblems. Previous work chooses the conflict to resolve by categorizing the conflict into three classes and always picking a conflict from the highest-priority class. In this work, we propose an oracle for conflict selection that results in smaller search tree sizes than the one used in previous work. However, the computation of the oracle is slow. Thus, we propose a machine-learning framework for conflict selection that observes the decisions made by the oracle and learns a conflict-selection strategy represented by a linear ranking function that imitates the oracle's decisions accurately and quickly. Experiments on benchmark maps indicate that our method significantly improves the success rates, the search tree sizes and runtimes over the current state-of-the-art CBS solver.
• Abstract（参考訳）: conflict-based search (cbs) はマルチエージェントパス探索のための最先端アルゴリズムである。 ハイレベルでは、CBSはコンフリクトを繰り返し検出し、現在の問題を2つのサブプロブレムに分割して解決する。 以前の作業では、対立を3つのクラスに分類し、常に上位優先度のクラスから対立を選択することで解決すべき対立を選択する。 本研究では,コンフリクト選択のためのオラクルを提案し,その結果,従来よりも探索木のサイズが小さくなった。 しかし、オラクルの計算は遅い。 そこで我々は,oracle の意思決定を観察し,oracle の判断を正確かつ迅速に模倣する線形ランキング関数で表される競合選択戦略を学習する,コンフリクト選択のための機械学習フレームワークを提案する。 ベンチマークマップ実験により,現状のCBSソルバに比べて,本手法は成功率,探索木サイズ,実行時間を大幅に向上することが示された。

関連論文リスト

• AdaCAD: Adaptively Decoding to Balance Conflicts between Contextual and Parametric Knowledge [57.66282463340297]
  知識の衝突は、大きな言語モデル(LLM)の文脈における情報と、そのパラメータに格納された知識との相違から生じる。 コンフリクトの度合いに基づいて動的に調整の重みを推定する,AdaCADと呼ばれる細粒度なインスタンスレベルのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-11T16:35:18Z)
• Pure Exploration under Mediators' Feedback [63.56002444692792]
  マルチアームバンディット(Multi-armed bandits)は、各インタラクションステップにおいて、学習者が腕を選択し、報酬を観察する、シーケンシャルな意思決定フレームワークである。 本稿では,学習者が仲介者の集合にアクセスできるシナリオについて考察する。 本稿では,学習者には仲介者の方針が知られていると仮定して,最適な腕を発見するための逐次的意思決定戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-29T18:18:21Z)
• Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
  マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。 具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。 また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
  論文  参考訳（メタデータ） (2023-07-25T12:33:53Z)
• Solving Multi-Agent Target Assignment and Path Finding with a Single Constraint Tree [9.518757918128799]
  TAPF(Target-Assignment and Path-Finding problem)とTAPF(Target-Assignment and Path-Finding problem)は、エージェントに同時にターゲットを割り当てることを必要とする。 競合ベースのターゲティング・アサインメント(CBS-TA)は、TAPFに対処するための主要なアプローチである。 我々は,理論上,ITA-CBSは最適解を見つけることが保証され,実際は計算効率が高いことを示す。
  論文  参考訳（メタデータ） (2023-07-02T20:52:16Z)
• Subdimensional Expansion Using Attention-Based Learning For Multi-Agent Path Finding [9.2127262112464]
  MAPF(Multi-Agent Path Finding)は、各開始点から目標地点までの複数のエージェントに対する競合のないパスを見つける。 我々は、この学習に基づくシングルエージェントプランナーをM*に統合することにより、LM*と呼ばれる新しいマルチエージェントプランナーを開発する。 以上の結果から,M* と比較した場合,LM* はコンフリクトが少なく,高速に動作し,高い成功率を享受できることがわかった。
  論文  参考訳（メタデータ） (2021-09-29T20:01:04Z)
• A Deep Dive into Conflict Generating Decisions [3.222802562733787]
  私たちは、Satisfiability(SAT)問題を解決するためにConflict Driven Clause Learningを使用します。 そこで我々は,CDCLがコンフリクトから節を学習することを示した。 我々は、mc決定の学習節から一部の変数の選択優先度を下げる新しい決定戦略として、共通推論変数還元(CRVR)を開発した。
  論文  参考訳（メタデータ） (2021-05-10T18:17:52Z)
• Resolving Head-On Conflicts for Multi-Agent Path Finding with Conflict-Based Search [0.0]
  競合ベースの検索(CBS)は、マルチエージェントパス探索問題を解決するための一般的なフレームワークである。 本稿では,新たな手法,すなわち,このような矛盾を見出すヘッドオン技術を紹介する。 実験の結果,ヘッドオン技術は最先端のMAPFソルバCBSHを改善した。
  論文  参考訳（メタデータ） (2020-07-07T15:52:45Z)
• Conflict-Based Search for Connected Multi-Agent Path Finding [6.18778092044887]
  エージェントが互いに接続し、指定されたベースに留まることを必要とするマルチエージェントパス探索問題(MAPF)の変種について検討する。 この問題は、人間のオペレーターが実行全体を監視しなければならない探索と救助のミッションに応用できる。 我々はMAPFとして知られるコンフリクトベースの探索アルゴリズムを再検討し、コンフリクトが衝突ではなく切断から生じる変種を定義する。
  論文  参考訳（メタデータ） (2020-06-05T08:02:36Z)
• 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)
• Fast Template Matching and Update for Video Object Tracking and Segmentation [56.465510428878]
  私たちが取り組もうとしている主な課題は、フレームの列にまたがるマルチインスタンスの半教師付きビデオオブジェクトセグメンテーションである。 課題は、結果を予測するためのマッチングメソッドの選択と、ターゲットテンプレートを更新するかどうかを決定することである。 本稿では,これら2つの決定を同時に行うために,強化学習を利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T08:58:45Z)

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。