論文の概要: Improving LaCAM for Scalable Eventually Optimal Multi-Agent Pathfinding

• arxiv url: http://arxiv.org/abs/2305.03632v1
• Date: Fri, 5 May 2023 15:43:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 13:24:37.664443
• Title: Improving LaCAM for Scalable Eventually Optimal Multi-Agent Pathfinding
• Title（参考訳）: スケーラブルなマルチエージェントパスフィニングのためのLaCAMの改善
• Authors: Keisuke Okumura
• Abstract要約: マルチエージェントパスフィンディング(MAPF)のための最近開発されたLaCAMアルゴリズムを拡張した。 LaCAMは、遅延後継生成を用いて計画作業を劇的に削減する、サブ最適検索ベースのアルゴリズムである。 我々は、LaCAM*と呼ばれる任意のバージョンを提案し、最終的にはオプティマに収束する。
• 参考スコア（独自算出の注目度）: 5.025654873456756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study extends the recently-developed LaCAM algorithm for multi-agent pathfinding (MAPF). LaCAM is a sub-optimal search-based algorithm that uses lazy successor generation to dramatically reduce the planning effort. We present two enhancements. First, we propose its anytime version, called LaCAM*, which eventually converges to optima, provided that solution costs are accumulated transition costs. Second, we improve the successor generation to quickly obtain initial solutions. Exhaustive experiments demonstrate their utility. For instance, LaCAM* sub-optimally solved 99% of the instances retrieved from the MAPF benchmark, where the number of agents varied up to a thousand, within ten seconds on a standard desktop PC, while ensuring eventual convergence to optima; developing a new horizon of MAPF algorithms.
• Abstract（参考訳）: 本研究では,最近開発されたマルチエージェントパスフィンディング(MAPF)のためのLaCAMアルゴリズムを拡張した。 LaCAMは、遅延後継生成を用いて計画作業を劇的に削減する、サブ最適検索ベースのアルゴリズムである。 私たちは2つの拡張を提示します。 まず、ソリューションコストが累積的なトランジッションコストであるならば、最終的にoptimaに収束するlacam*と呼ばれるanytimeバージョンを提案する。 第2に、初期解を得るために後継生成を改善する。 模擬実験は実用性を実証する。 例えば、LaCAM*はMAPFベンチマークから取得したインスタンスの99%をサブ最適化で解決し、エージェントの数は標準デスクトップPC上で10秒以内に最大1000まで変化した。

関連論文リスト

• Deploying Ten Thousand Robots: Scalable Imitation Learning for Lifelong Multi-Agent Path Finding [20.289593818360938]
  Lifelong Multi-Agent Path Finding (LMAPF) はMAPFの変種であり、エージェントは絶えず新しい目標に割り当てられる。 近年,この分野は個別の局所観測に基づいて,一段階の動作を反応的に生成する学習的手法を取り入れている。 本研究は,新しい通信モジュールと系統的な単一ステップ衝突分解とグローバルガイダンス技術を導入した模倣学習に基づくLMAPFソルバを提案する。
  論文  参考訳（メタデータ） (2024-10-28T18:13:15Z)
• 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)
• Adaptive Anytime Multi-Agent Path Finding Using Bandit-Based Large Neighborhood Search [30.364955687049292]
  MAPFはLarge Neborhood Search(LNS)に基づいている 探索を併用したBandit-based Adaptive LArge Neighborhood Search(BALANCE)を提案する。 大規模シナリオでは、最先端のMAPFと比較して、少なくとも50%のコスト改善が実証的に実証されている。
  論文  参考訳（メタデータ） (2023-12-28T01:24:42Z)
• Decentralized Monte Carlo Tree Search for Partially Observable Multi-agent Pathfinding [49.730902939565986]
  マルチエージェントパスフィンディング問題は、グラフに閉じ込められたエージェントのグループに対するコンフリクトフリーパスのセットを見つけることである。 本研究では、エージェントが他のエージェントをローカルにのみ観察できる分散MAPF設定に焦点を当てた。 MAPFタスクのための分散マルチエージェントモンテカルロ木探索法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T06:57:22Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)
• Traffic Flow Optimisation for Lifelong Multi-Agent Path Finding [29.76466191644455]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題であり、エージェントのチームに対して衝突のない経路の計算を求める。 本稿では,MAPFにエージェントを誘導する手法を提案する。 各エージェントが1つの宛先を持つワンショットMAPFと、エージェントが常に新しい宛先を割り当てる終身MAPFの2つの大規模設定でこのアイデアを評価する。
  論文  参考訳（メタデータ） (2023-08-22T07:17:39Z)
• Engineering LaCAM$^\ast$: Towards Real-Time, Large-Scale, and Near-Optimal Multi-Agent Pathfinding [12.02023514105999]
  本稿では,最近提案されたLaCAM*アルゴリズムの改良を通じて,リアルタイム,大規模,準最適マルチエージェントパスフィンディング(MAPF)の課題に対処する。 LaCAM*はスケーラブルな検索ベースのアルゴリズムであり、累積遷移コストに対する最適解の最終的な発見を保証する。
  論文  参考訳（メタデータ） (2023-08-08T14:36:58Z)
• LaCAM: Search-Based Algorithm for Quick Multi-Agent Pathfinding [5.025654873456756]
  MAPF(LaCAM)の遅延制約付加探索という,マルチエージェントパスフィンディング(MAPF)のための新しい完全アルゴリズムを提案する。 LaCAMは2段階の検索を使って、何百ものエージェントでも素早くソリューションを見つける。 実験の結果,LaCAMは様々なシナリオにおいて最先端のMAPFアルゴリズムに匹敵する,あるいは優れることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T06:27:18Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
  モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。 既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。 本稿では,MAMLのメモリベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:47:58Z)

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。