論文の概要: SOCIALMAPF: Optimal and Efficient Multi-Agent Path Finding with
Strategic Agents for Social Navigation
- arxiv url: http://arxiv.org/abs/2210.08390v1
- Date: Sat, 15 Oct 2022 22:49:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 21:16:05.365692
- Title: SOCIALMAPF: Optimal and Efficient Multi-Agent Path Finding with
Strategic Agents for Social Navigation
- Title(参考訳): SOCIALMAPF : ソーシャルナビゲーションのための戦略エージェントを用いた最適かつ効率的なマルチエージェントパス探索
- Authors: Rohan Chandra, Rahul Maligi, Arya Anantula, Joydeep Biswas
- Abstract要約: 制約環境におけるエージェントの個人的インセンティブを考慮したMAPF(SocialMAPF)の拡張を提案する。
例えば、SocialMAPFは、他のエージェントが食料品店に行くという急進的ではないインセンティブに対して、病院に急いでいるエージェントの急進的なインセンティブを正確に説明することができる。
- 参考スコア(独自算出の注目度): 12.486204279846174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose an extension to the MAPF formulation, called SocialMAPF, to
account for private incentives of agents in constrained environments such as
doorways, narrow hallways, and corridor intersections. SocialMAPF is able to,
for instance, accurately reason about the urgent incentive of an agent rushing
to the hospital over another agent's less urgent incentive of going to a
grocery store; MAPF ignores such agent-specific incentives. Our proposed
formulation addresses the open problem of optimal and efficient path planning
for agents with private incentives. To solve SocialMAPF, we propose a new class
of algorithms that use mechanism design during conflict resolution to
simultaneously optimize agents' private local utilities and the global system
objective. We perform an extensive array of experiments that show that optimal
search-based MAPF techniques lead to collisions and increased time-to-goal in
SocialMAPF compared to our proposed method using mechanism design. Furthermore,
we empirically demonstrate that mechanism design results in models that
maximizes agent utility and minimizes the overall time-to-goal of the entire
system. We further showcase the capabilities of mechanism design-based planning
by successfully deploying it in environments with static obstacles. To
conclude, we briefly list several research directions using the SocialMAPF
formulation, such as exploring motion planning in the continuous domain for
agents with private incentives.
- Abstract(参考訳): 我々は,戸口,狭い廊下,廊下交差点などの制約のある環境において,エージェントの個人的インセンティブを考慮したMAPF(SocialMAPF)の拡張を提案する。
例えば、SocialMAPFは、他のエージェントが食料品店に行くという急進的ではないインセンティブに対して、病院に急いでいるエージェントの急進的なインセンティブを正確に説明することができる。
提案手法は,個人的インセンティブを有するエージェントの最適かつ効率的な経路計画のオープンな問題に対処する。
社会MAPFを解決するために,紛争解決時に機構設計を用いてエージェントのプライベートローカルユーティリティとグローバルシステム目的を同時に最適化するアルゴリズムを提案する。
我々は,最適探索ベースMAPF技術がSocialMAPFにおける衝突や時間とゴールの増大につながることを示す広範囲な実験を行い,機構設計を用いた手法と比較した。
さらに,機構設計がエージェントユーティリティを最大化し,システム全体の時間とゴールを最小化するモデルを実証的に示す。
さらに,静的な障害物のある環境に配置することで,機構設計に基づく計画機能を示す。
結論として,私的インセンティブを持つエージェントを対象とした連続領域における運動計画の探索など,SocialMAPFの定式化を用いたいくつかの研究方向を概説する。
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) - 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) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳(メタデータ) (2023-05-26T05:52:27Z) - Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline
Reinforcement Learning [114.36124979578896]
オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。
我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
論文 参考訳(メタデータ) (2022-05-05T05:44:26Z) - Sequential Information Design: Markov Persuasion Process and Its
Efficient Reinforcement Learning [156.5667417159582]
本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。
MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。
我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
論文 参考訳(メタデータ) (2022-02-22T05:41:43Z) - Loosely Synchronized Search for Multi-agent Path Finding with
Asynchronous Actions [10.354181009277623]
マルチエージェントパス検索(MAPF)は、各開始位置と目標位置の間の複数のエージェントの衝突のないパスのアンサンブルを決定する。
この記事では、エージェントが必ずしも同時に起動および停止しない非同期アクションによるMAPFの自然な一般化を紹介します。
論文 参考訳(メタデータ) (2021-03-08T02:34:17Z) - Traffic Agent Trajectory Prediction Using Social Convolution and
Attention Mechanism [57.68557165836806]
本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。
対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。
提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
論文 参考訳(メタデータ) (2020-07-06T03:48:08Z) - Distributed Resource Scheduling for Large-Scale MEC Systems: A
Multi-Agent Ensemble Deep Reinforcement Learning with Imitation Acceleration [44.40722828581203]
本稿では,各MECサーバにデプロイされた各エージェントのグローバル情報と分散意思決定に依存する集中型トレーニングを含む分散インテリジェントリソーススケジューリング(DIRS)フレームワークを提案する。
まず,マルチエージェント・アンサンブルを用いた分散強化学習(DRL)アーキテクチャを導入し,各エージェントの全体的なニューラルネットワーク構造を簡素化する。
第2に,提案したDIRSフレームワークの探索能力を高めるために,新しいL'evyフライトサーチにより,最適に近い状態対が得られた。
論文 参考訳(メタデータ) (2020-05-21T20:04:40Z) - Model-based Reinforcement Learning for Decentralized Multiagent
Rendezvous [66.6895109554163]
目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。
分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
論文 参考訳(メタデータ) (2020-03-15T19:49:20Z)
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。