論文の概要: Cooperative Multi-Agent Path Finding: Beyond Path Planning and Collision
Avoidance
- arxiv url: http://arxiv.org/abs/2105.10993v1
- Date: Sun, 23 May 2021 18:25:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 15:02:07.627922
- Title: Cooperative Multi-Agent Path Finding: Beyond Path Planning and Collision
Avoidance
- Title（参考訳）: 協調的マルチエージェントパス発見 : 経路計画と衝突回避を超えて
- Authors: Nir Greshler, Ofir Gordon, Oren Salzman, and Nahum Shimkin
- Abstract要約: 本稿では,従来のMAPF問題の拡張であるCooperative Multi-Agent Path Finding (Co-MAPF)問題を紹介する。
この環境では、自律的なエージェントのグループは共有環境で活動し、協調的なタスクを完了する必要があります。
Co-MAPF問題を最適に解くためのCBSベースのアルゴリズムであるCooperative Conflict-Based Search(Co-CBS)を紹介する。
- 参考スコア（独自算出の注目度）: 5.785285760361722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce the Cooperative Multi-Agent Path Finding (Co-MAPF) problem, an
extension to the classical MAPF problem, where cooperative behavior is
incorporated. In this setting, a group of autonomous agents operate in a shared
environment and have to complete cooperative tasks while avoiding collisions
with the other agents in the group. This extension naturally models many
real-world applications, where groups of agents are required to collaborate in
order to complete a given task. To this end, we formalize the Co-MAPF problem
and introduce Cooperative Conflict-Based Search (Co-CBS), a CBS-based algorithm
for solving the problem optimally for a wide set of Co-MAPF problems. Co-CBS
uses a cooperation-planning module integrated into CBS such that cooperation
planning is decoupled from path planning. Finally, we present empirical results
on several MAPF benchmarks demonstrating our algorithm's properties.
- Abstract（参考訳）: 本稿では,協調行動が組み込まれた従来のMAPF問題の拡張であるCooperative Multi-Agent Path Finding (Co-MAPF)問題を紹介する。
この設定では、自律的なエージェントのグループは共有環境で動作し、グループ内の他のエージェントとの衝突を避けながら協調的なタスクを完了しなければならない。
この拡張は、与えられたタスクを完了するために、エージェントのグループが協力する必要がある多くの現実世界のアプリケーションを自然にモデル化する。
この目的のために、我々はCo-MAPF問題を定式化し、幅広いCo-MAPF問題に対して最適なCBSベースのアルゴリズムであるCo-CBSを導入する。
co-cbsはcbsに統合された協調計画モジュールを使用しており、協調計画が経路計画から切り離されている。
最後に,本アルゴリズムの特性を示すいくつかのmapfベンチマークで実験結果を示す。
関連論文リスト
- CaPo: Cooperative Plan Optimization for Efficient Embodied Multi-Agent Cooperation [98.11670473661587]
CaPoは,1)メタプラン生成,2)プログレッシブなメタプランと実行の2つのフェーズで協調効率を向上する。
3Dworld Multi-Agent TransportとCommunicative Watch-And-Helpタスクの実験結果は、CaPoが最先端技術と比較してタスク完了率と効率をはるかに高めることを示した。
論文 参考訳（メタデータ） (2024-11-07T13:08:04Z) - Cooperative Reward Shaping for Multi-Agent Pathfinding [4.244426154524592]
MAPF(Multi-Agent Pathfinding)の主な目的は、全てのエージェントに対して効率的で競合のないパスを計画することである。
従来のマルチエージェントパス計画アルゴリズムは、複数のエージェントに対して効率的な分散パス計画を実現するのに苦労する。
独立Q-Learning(IQL)に基づく独自の報酬形成手法を紹介する。
論文 参考訳（メタデータ） (2024-07-15T02:44:41Z) - Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。
HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。
HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
論文 参考訳（メタデータ） (2024-06-12T08:48:06Z) - Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。
最適解を見つけることは、しばしば計算不可能であり、近似的な準最適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、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
論文 参考訳（メタデータ） (2024-01-30T14:26:04Z) - Learning Reward Machines in Cooperative Multi-Agent Tasks [75.79805204646428]
本稿では,MARL(Multi-Agent Reinforcement Learning)に対する新しいアプローチを提案する。
これは、協調的なタスク分解と、サブタスクの構造をコードする報酬機(RM)の学習を組み合わせる。
提案手法は、部分的に観測可能な環境下での報酬の非マルコフ的性質に対処するのに役立つ。
論文 参考訳（メタデータ） (2023-03-24T15:12:28Z) - Optimal Multi-Agent Path Finding for Precedence Constrained Planning
Tasks [0.7742297876120561]
我々は,PC-MAPF (Precedence Constrained Multi-Agent Path Finding) 問題の拡張について検討する。
そこで我々は,PC-CBS (Precedence Constrained Conflict Based Search) という新しいアルゴリズムを提案する。
本アルゴリズムは, 各種倉庫集合体, マルチエージェントピックアップ, 配送タスクに対して性能をベンチマークし, 最近提案された効率的なベースラインのサブ最適性を評価する。
論文 参考訳（メタデータ） (2022-02-08T07:26:45Z) - Emergence of Theory of Mind Collaboration in Multiagent Systems [65.97255691640561]
ToMとエージェント間の効果的な協調を開発するための適応的学習アルゴリズムを提案する。
アルゴリズムはToMをモデル化せずに従来の分散実行アルゴリズムを全て上回る2つのゲームで評価する。
論文 参考訳（メタデータ） (2021-09-30T23:28:00Z) - 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) - Balancing Rational and Other-Regarding Preferences in
Cooperative-Competitive Environments [4.705291741591329]
混合環境は利己的で社会的利益の衝突で悪名高い。
個人と社会的インセンティブのバランスをとるBAROCCOを提案します。
メタアルゴリズムは、Qラーニングとアクタークリティカルの両方のフレームワークと互換性があります。
論文 参考訳（メタデータ） (2021-02-24T14:35:32Z) - Structured Diversification Emergence via Reinforced Organization Control
and Hierarchical Consensus Learning [48.525944995851965]
組織制御の強化と階層的コンセンサス学習に基づく構造的多様化型MARLフレームワーク scRochico を提案する。
scRochicoは、探索効率と協力強度の観点から、現在のSOTAアルゴリズムよりもはるかに優れている。
論文 参考訳（メタデータ） (2021-02-09T11:46:12Z) - Kernel Methods for Cooperative Multi-Agent Contextual Bandits [15.609414012418043]
協調的マルチエージェント意思決定は、遅延のあるネットワーク上で通信しながら、学習問題を協調的に解決するエージェントのグループを含む。
エージェントが得られる報酬は、関連するカーネル再生ヒルベルト空間(RKHS)におけるコンテキストのイメージの任意の線形関数である。
我々は, 年齢ごとの後悔に対して, ほぼ最適境界を与えるアルゴリズムであるtextscCoop- KernelUCBを提案する。
論文 参考訳（メタデータ） (2020-08-14T07:37:44Z)
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。