論文の概要: GRAPE-S: Near Real-Time Coalition Formation for Multiple Service Collectives

• arxiv url: http://arxiv.org/abs/2310.12480v1
• Date: Thu, 19 Oct 2023 05:36:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-20 16:46:52.838716
• Title: GRAPE-S: Near Real-Time Coalition Formation for Multiple Service Collectives
• Title（参考訳）: grape-s: 複数サービス集団のリアルタイム連立形成
• Authors: Grace Diehl and Julie A. Adams
• Abstract要約: GRAPEとサービスモデルを統合し、GRAPE-SとPair-GRAPE-Sを生成する。 GRAPE-Sは、ターゲット領域の連立形成要求を満たし、ほぼリアルタイムで最適解を生成する。 Pair-GRAPE-Sはドメイン要件を満たし、ほぼリアルタイムで最適解を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robotic collectives for military and disaster response applications require coalition formation algorithms to partition robots into appropriate task teams. Collectives' missions will often incorporate tasks that require multiple high-level robot behaviors or services, which coalition formation must accommodate. The highly dynamic and unstructured application domains also necessitate that coalition formation algorithms produce near optimal solutions (i.e., >95% utility) in near real-time (i.e., <5 minutes) with very large collectives (i.e., hundreds of robots). No previous coalition formation algorithm satisfies these requirements. An initial evaluation found that traditional auction-based algorithms' runtimes are too long, even though the centralized simulator incorporated ideal conditions unlikely to occur in real-world deployments (i.e., synchronization across robots and perfect, instantaneous communication). The hedonic game-based GRAPE algorithm can produce solutions in near real-time, but cannot be applied to multiple service collectives. This manuscript integrates GRAPE and a services model, producing GRAPE-S and Pair-GRAPE-S. These algorithms and two auction baselines were evaluated using a centralized simulator with up to 1000 robots, and via the largest distributed coalition formation simulated evaluation to date, with up to 500 robots. The evaluations demonstrate that auctions transfer poorly to distributed collectives, resulting in excessive runtimes and low utility solutions. GRAPE-S satisfies the target domains' coalition formation requirements, producing near optimal solutions in near real-time, and Pair-GRAPE-S more than satisfies the domain requirements, producing optimal solutions in near real-time. GRAPE-S and Pair-GRAPE-S are the first algorithms demonstrated to support near real-time coalition formation for very large, distributed collectives with multiple services.
• Abstract（参考訳）: 軍事・災害対応アプリケーションのためのロボット集合体は、ロボットを適切なタスクチームに分割する連立アルゴリズムを必要とする。 集団の任務は、しばしば複数の高度なロボットの行動やサービスを必要とするタスクを組み込む。 高度に動的で非構造化されたアプリケーションドメインはまた、連立形成アルゴリズムが、非常に大きな集団(すなわち数百のロボット)を持つほぼリアルタイム(すなわち5分)に、ほぼ最適な解(95%ユーティリティ)を生成する必要がある。 以前の連立形成アルゴリズムはこれらの要件を満たすものではない。 最初の評価では、従来のオークションベースのアルゴリズムのランタイムが長すぎることが判明した。 ヘドニックゲームベースのGRAPEアルゴリズムは、ほぼリアルタイムでソリューションを生成できるが、複数のサービス集合に適用することはできない。 GRAPEとサービスモデルを統合し、GRAPE-SとPair-GRAPE-Sを生成する。 これらのアルゴリズムと2つのオークションベースラインを、最大1000台のロボットによる集中型シミュレータを用いて評価し、最大500台のロボットによる評価をシミュレートした。 評価の結果、オークションは分散集団にはあまり移行せず、過度なランタイムと低いユーティリティソリューションを生み出している。 GRAPE-Sは、ターゲット領域の連立要求を満たし、ほぼリアルタイムでほぼ最適解を生成し、Pair-GRAPE-Sはドメイン要求を満足し、ほぼリアルタイムで最適な解を生成する。 GRAPE-SとPair-GRAPE-Sは、複数のサービスを持つ非常に大規模な分散集団に対して、リアルタイムに近い連立形成をサポートする最初のアルゴリズムである。

関連論文リスト

• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Asynchronous Fractional Multi-Agent Deep Reinforcement Learning for Age-Minimal Mobile Edge Computing [14.260646140460187]
  計算集約的な更新のタイムラインを調査し、AoIを最小化するためにタスク更新とオフロードポリシーを共同で最適化する。 具体的には、エッジ負荷のダイナミクスを考慮し、期待時間平均AoIを最小化するためにタスクスケジューリング問題を定式化する。 提案アルゴリズムは,実験における最良基準アルゴリズムと比較して平均AoIを最大52.6%削減する。
  論文  参考訳（メタデータ） (2024-09-25T11:33:32Z)
• SPACE: A Python-based Simulator for Evaluating Decentralized Multi-Robot Task Allocation Algorithms [1.52292571922932]
  本研究では,分散マルチロボットタスクアロケーション(MRTA)アルゴリズムの研究,評価,比較を支援するPythonベースのシミュレータであるSPACE(Swarm Planning and Control Evaluation)を提案する。 SPACEは、Pythonプラグインとして意思決定アルゴリズムを実装し、直感的なGUIでエージェントの動作木を簡単に構築し、エージェント間通信とローカルタスク認識のための組み込みサポートを活用することで、コアアルゴリズム開発を効率化する。
  論文  参考訳（メタデータ） (2024-09-06T12:38:24Z)
• Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
  本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。 そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。 Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
  論文  参考訳（メタデータ） (2024-08-29T20:22:22Z)
• Faster Optimal Coalition Structure Generation via Offline Coalition Selection and Graph-Based Search [61.08720171136229]
  本稿では,3つの革新的手法のハイブリッド化に基づく問題に対する新しいアルゴリズムSMARTを提案する。 これらの2つの手法は動的プログラミングに基づいており、評価のために選択された連立関係とアルゴリズムの性能の強力な関係を示す。 我々の手法は、問題にアプローチする新しい方法と、その分野に新しいレベルの精度をもたらす。
  論文  参考訳（メタデータ） (2024-07-22T23:24:03Z)
• Communication- and Computation-Efficient Distributed Decision-Making in Multi-Robot Networks [2.8936428431504164]
  複数のロボット間のスケーラブルでほぼ最適な関節運動計画を可能にする分散協調パラダイムを提供する。 我々のアルゴリズムは、競合する準最適アルゴリズムよりも2桁高速である。 最大45台のロボットによる監視タスクのシミュレーションでは、1Hzのオーダーでリアルタイム計画が可能で、カバー性能も優れている。
  論文  参考訳（メタデータ） (2024-07-15T01:25:39Z)
• Serverless Federated AUPRC Optimization for Multi-Party Collaborative Imbalanced Data Mining [119.89373423433804]
  有効指標としてAUPRC(Area Under Precision-Recall)を導入した。 サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。 本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-06T06:51:32Z)
• The Viability of Domain Constrained Coalition Formation for Robotic Collectives [0.0]
  軍事・災害対応アプリケーションは、複数の協調作業を行うロボット集団の能力の恩恵を受けることができる。 協調形成アルゴリズムは、適切なタスクチームへの集合ロボットの割り当てを促進する可能性がある。 この写本は、非常に大規模な集団のための連立形成アルゴリズムの設計に固有の課題を特定する。
  論文  参考訳（メタデータ） (2023-06-08T23:28:41Z)
• TAMUNA: Doubly Accelerated Distributed Optimization with Local Training, Compression, and Partial Participation [53.84175614198885]
  分散最適化と学習では、複数のマシンが並列にローカル計算と遠隔サーバとの通信を交互に行う。 ローカルトレーニングと圧縮の2つの戦略を共同で活用し,部分的参加を可能にする分散最適化のための最初のアルゴリズムであるTAMUNAを提案する。
  論文  参考訳（メタデータ） (2023-02-20T08:37:44Z)
• Decentralized Training of Foundation Models in Heterogeneous Environments [77.47261769795992]
  GPT-3 や PaLM のようなトレーニング基盤モデルは、非常に高価である。 ヘテロジニアスネットワーク上での分散型システムにおけるモデル並列化を用いた大規模基盤モデルのトレーニングに関する最初の研究について述べる。
  論文  参考訳（メタデータ） (2022-06-02T20:19:51Z)

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。