論文の概要: Novelty Accommodating Multi-Agent Planning in High Fidelity Simulated Open World

• arxiv url: http://arxiv.org/abs/2306.12654v2
• Date: Mon, 17 Feb 2025 05:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:03:48.628775
• Title: Novelty Accommodating Multi-Agent Planning in High Fidelity Simulated Open World
• Title（参考訳）: 高忠実なオープンワールドにおける新規なマルチエージェント計画
• Authors: James Chao, Wiktor Piotrowski, Roni Stern, Héctor Ortiz-Peña, Mitch Manzanares, Shiwali Mohan, Douglas S. Lange,
• Abstract要約: 我々は、予期せぬ現象、すなわちテクストノベルティが環境中に現れるときに生じる課題に対処する。 環境への新規性の導入は、プランナーの内部モデルに不正確な結果をもたらす可能性がある。 本稿では,同時動作と外部スケジューリングをサポートするための汎用AIエージェントフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.821603097781892
• License:
• Abstract: Autonomous agents operating within real-world environments often rely on automated planners to ascertain optimal actions towards desired goals or the optimization of a specified objective function. Integral to these agents are common architectural components such as schedulers, tasked with determining the timing for executing planned actions, and execution engines, responsible for carrying out these scheduled actions while monitoring their outcomes. We address the significant challenge that arises when unexpected phenomena, termed \textit{novelties}, emerge within the environment, altering its fundamental characteristics, composition, and dynamics. This challenge is inherent in all deployed real-world applications and may manifest suddenly and without prior notice or explanation. The introduction of novelties into the environment can lead to inaccuracies within the planner's internal model, rendering previously generated plans obsolete. Recent research introduced agent design aimed at detecting and adapting to such novelties. However, these designs lack consideration for action scheduling in continuous time-space, coordination of concurrent actions by multiple agents, or memory-based novelty accommodation. Additionally, the application has been primarily demonstrated in lower fidelity environments. In our study, we propose a general purpose AI agent framework designed to detect, characterize, and adapt to novelties in highly noisy, complex, and stochastic environments that support concurrent actions and external scheduling. We showcase the efficacy of our agent through experimentation within a high-fidelity simulator for realistic military scenarios.
• Abstract（参考訳）: 現実の環境で運用される自律エージェントは、望まれる目標に対する最適なアクションや、指定された目的関数の最適化を確認するために、自動プランナーに依存することが多い。 これらのエージェントの統合は、計画されたアクションの実行タイミングを決定するスケジューラや、スケジュールされたアクションの実行と結果の監視を担当する実行エンジンといった、一般的なアーキテクチャコンポーネントである。 我々は、予期せぬ現象である「textit{novelties}」が環境中に出現し、その基本的な特性、構成、ダイナミクスを変化させるときに生じる重大な課題に対処する。 この課題は、デプロイされた現実世界のアプリケーションすべてに固有のもので、事前通知や説明なしに突然現れる可能性がある。 環境への新規性の導入は、プランナーの内部モデルに不正確をもたらす可能性がある。 近年の研究では、このような新奇性の検出・適応を目的としたエージェント設計が導入されている。 しかし、これらの設計では、連続した時間空間でのアクションスケジューリング、複数のエージェントによる並行アクションの調整、メモリベースの新規な宿泊の考慮が欠如している。 さらに、アプリケーションは、主に低い忠実度環境で実証されている。 本研究では, 並列動作と外部スケジューリングをサポートする, ノイズの多い, 複雑で, 確率的な環境下での新規性の検出, 特徴化, 適応を目的とした汎用AIエージェントフレームワークを提案する。 現実的な軍事シナリオのための高忠実度シミュレータにおける実験を通して,エージェントの有効性を実証する。

関連論文リスト

• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [81.32722475387364]
  大規模言語モデルに基づくエージェントが注目され、ますます人気が高まっている。 計画能力は LLM ベースのエージェントの重要な構成要素であり、通常は初期状態から望ましい目標を達成する必要がある。 近年の研究では、専門家レベルの軌跡を指導訓練用LLMに活用することで、効果的に計画能力を向上させることが示されている。
  論文  参考訳（メタデータ） (2024-08-01T17:59:46Z)
• Synergising Human-like Responses and Machine Intelligence for Planning in Disaster Response [10.294618771570985]
  デュアルプロセス理論(DPT)にインスパイアされた注意に基づく認知アーキテクチャを提案する。 このフレームワークは、高速だが(人間のような)応答と、遅いが最適化されたマシンインテリジェンスの計画能力を統合する。
  論文  参考訳（メタデータ） (2024-04-15T15:47:08Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• Egocentric Planning for Scalable Embodied Task Achievement [6.870094263016224]
  エゴセントリックプランニング(Egocentric Planning)は、複雑な環境におけるタスクを解決するために、シンボリックプランニングとオブジェクト指向のPOMDPを組み合わせた革新的なアプローチである。 国内タスク用に設計されたシミュレーション環境であるALFREDにおける我々のアプローチを評価し,そのスケーラビリティを実証した。 本手法では, エージェントの行動の前提条件と影響について, 信頼性の高い認識と記号的記述の特定, 学習が必要である。
  論文  参考訳（メタデータ） (2023-06-02T06:41:24Z)
• Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments [54.39292848359306]
  本稿では,タスクのシーケンシング,割り当て,実行を最適化するタスクと動作計画の組み合わせを提案する。 このフレームワークはタスクとアクションの分離に依存しており、アクションはシンボル的タスクの幾何学的実現の可能な1つの可能性である。 ロボットアームと人間の作業員がモザイクを組み立てる共同製造シナリオにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-03-27T01:50:45Z)
• Evolving Hierarchical Memory-Prediction Machines in Multi-Task Reinforcement Learning [4.030910640265943]
  行動エージェントは、時間とともに様々な環境や目的にまたがって一般化されなければならない。 遺伝的プログラミングを用いて、制御文献から6つのユニークな環境で動作可能な、高度に一般化されたエージェントを進化させる。 進化するプログラムにおける創発的階層構造は、時間分解とメモリ上の問題環境の符号化を成功させるマルチタスクエージェントをもたらすことを示す。
  論文  参考訳（メタデータ） (2021-06-23T21:34:32Z)
• A Consciousness-Inspired Planning Agent for Model-Based Reinforcement Learning [104.3643447579578]
  本稿では、その状態の関連部分に動的に対応できるエンドツーエンドのモデルベース深層強化学習エージェントを提案する。 この設計により、エージェントは関連するオブジェクトに参画することで効果的に計画を学ぶことができ、配布外一般化がより良くなる。
  論文  参考訳（メタデータ） (2021-06-03T19:35:19Z)

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。