論文の概要: CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent
Path Planning in Continuous Spaces
- arxiv url: http://arxiv.org/abs/2201.09467v1
- Date: Mon, 24 Jan 2022 05:43:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 17:45:15.045133
- Title: CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent
Path Planning in Continuous Spaces
- Title（参考訳）: CTRMs:連続空間における複数エージェント経路計画のための協調的タイムマップ構築の学習
- Authors: Keisuke Okumura, Ryo Yonetani, Mai Nishimura, Asako Kanezaki
- Abstract要約: 協調時間ロードマップ(CTRM)と呼ばれる新しいロードマップの概念を提案する。
CTRMは、エージェント同士の衝突を避けるために、他のエージェントの振る舞いを考慮する方法で、潜在的な溶液経路の周りの重要な位置に集中することができる。
我々は、関連する問題事例と妥当なソリューションのコレクションから生成モデルを学習する機械学習アプローチを開発した。
- 参考スコア（独自算出の注目度）: 20.389416558418382
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-agent path planning (MAPP) in continuous spaces is a challenging
problem with significant practical importance. One promising approach is to
first construct graphs approximating the spaces, called roadmaps, and then
apply multi-agent pathfinding (MAPF) algorithms to derive a set of
conflict-free paths. While conventional studies have utilized roadmap
construction methods developed for single-agent planning, it remains largely
unexplored how we can construct roadmaps that work effectively for multiple
agents. To this end, we propose a novel concept of roadmaps called cooperative
timed roadmaps (CTRMs). CTRMs enable each agent to focus on its important
locations around potential solution paths in a way that considers the behavior
of other agents to avoid inter-agent collisions (i.e., "cooperative"), while
being augmented in the time direction to make it easy to derive a "timed"
solution path. To construct CTRMs, we developed a machine-learning approach
that learns a generative model from a collection of relevant problem instances
and plausible solutions and then uses the learned model to sample the vertices
of CTRMs for new, previously unseen problem instances. Our empirical evaluation
revealed that the use of CTRMs significantly reduced the planning effort with
acceptable overheads while maintaining a success rate and solution quality
comparable to conventional roadmap construction approaches.
- Abstract（参考訳）: 連続空間におけるマルチエージェントパス計画(MAPP)は重要な実践的重要性を持つ課題である。
1つの有望なアプローチは、まずロードマップと呼ばれる空間を近似したグラフを構築し、その後、競合のない経路を導出するためにマルチエージェントパスフィンディング(MAPF)アルゴリズムを適用することである。
従来の研究では、単一エージェント計画のために開発されたロードマップ構築手法が利用されてきたが、複数のエージェントに対して効果的に機能するロードマップの構築方法はほとんど未定である。
そこで本稿では,協調タイムドロードマップ(ctrms)と呼ばれる新しいロードマップ概念を提案する。
CTRMは、各エージェントが、エージェント間の衝突(つまり「協力」)を避けるために他のエージェントの行動を考える方法で、潜在的な解経路の周りの重要な位置に集中できると同時に、時間方向に増強されて「時間的」解経路を導出しやすいようにすることができる。
そこで我々は,CTRMの学習手法を開発し,関連する問題事例の集合から生成モデルを学習し,学習モデルを用いてCTRMの頂点を新しい未確認問題事例のためにサンプリングする。
実験の結果,CTRMの使用により,従来のロードマップ構築手法に匹敵する成功率とソリューション品質を維持しつつ,許容可能なオーバーヘッドで計画作業が大幅に削減された。
関連論文リスト
- MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
モデルマージは、同じトレーニング済みモデルから細調整された複数のシングルタスクモデルをマルチタスクモデルに結合する効果的なアプローチである。
既存のモデルマージ手法は、平均的なタスク精度の向上に重点を置いている。
Amortized Pareto Front (MAP) を用いた新しい低計算アルゴリズム Model Merging を導入する。
論文 参考訳（メタデータ） (2024-06-11T17:55:25Z) - 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) - Learn to Follow: Decentralized Lifelong Multi-agent Pathfinding via
Planning and Learning [46.354187895184154]
マルチエージェントパスフィンディング(MAPF)問題は通常、グラフに制限されたエージェントの集合に対する競合のないパスの集合を見つけるよう要求する。
本研究では,エージェントの位置や目標に関する情報をすべて収集する中央制御器が存在しない場合の分散MAPF設定について検討する。
我々は,先行するエージェントに新たな目標を連続的に割り当てることを含むMAPFの実用上重要な寿命変化に焦点をあてる。
論文 参考訳（メタデータ） (2023-10-02T13:51:32Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - MUI-TARE: Multi-Agent Cooperative Exploration with Unknown Initial
Position [12.921108151387696]
サブマップマージプロセスの品質指標に基づくライダーベースのマルチエージェント探索のための新しいアプローチを開発した。
我々のアプローチは、平均的なベースラインよりも50%効率が良く、サブマップをしっかりとマージする。
論文 参考訳（メタデータ） (2022-09-22T04:33:02Z) - Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。
シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文 参考訳（メタデータ） (2022-09-15T07:22:58Z) - Multi-objective Conflict-based Search Using Safe-interval Path Planning [10.354181009277623]
低レベル探索のための新しい多目的セーフインターバルパス計画法 (MO-SIPP) アルゴリズムを利用するMO-CBS(Multi-objective conflict-based search)を提案する。
我々は, 平均低レベル探索時間において, 等級が大幅に改善されていることを示すために, 広範囲な数値計算結果を示す。
また,建設現場計画における提案アルゴリズムの適用可能性を示すケーススタディも提示する。
論文 参考訳（メタデータ） (2021-08-02T09:42:08Z) - Symmetry Breaking for k-Robust Multi-Agent Path Finding [30.645303869311366]
k-Robust Conflict-BasedSearch (k-CBS)は、最大k遅延のロバストな座標と衝突のない計画を生成するアルゴリズムです。
そこで我々は,k-robust計画に特有な様々な対称性の破れ制約を導入し,矛盾するエージェントのペアに対して,効率よく相反する最適経路を見つける。
論文 参考訳（メタデータ） (2021-02-17T11:09:33Z) - Multimodal Trajectory Prediction via Topological Invariance for
Navigation at Uncontrolled Intersections [45.508973373913946]
道路交差点において,信号機や信号機を使わずに複数の非通信的合理的エージェント間の分散ナビゲーションに着目した。
我々の重要な洞察は、交差点の幾何学的構造と、効率的に動くエージェントのインセンティブが衝突を避け(合理性)、起こりうる行動の空間を減少させるということである。
マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。
論文 参考訳（メタデータ） (2020-11-08T02:56:42Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z)
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。