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
- 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) - Learning Coordination Policies over Heterogeneous Graphs for Human-Robot
Teams via Recurrent Neural Schedule Propagation [0.0]
HybridNetは、人間のロボットチームをスケジューリングするためのディープラーニングベースのフレームワークである。
マルチラウンド環境で混在するロボットチームのための仮想スケジューリング環境を開発する。
論文 参考訳(メタデータ) (2023-01-30T20:42:06Z) - 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) - Learning Connectivity-Maximizing Network Configurations [123.01665966032014]
本稿では、専門家からコミュニケーションエージェントを配置することを学ぶ畳み込みニューラルネットワーク(CNN)を用いた教師あり学習手法を提案する。
我々は,標準ライントポロジやリングトポロジ,ランダムに生成された105万件のテストケース,トレーニング中に見えない大規模なチームについて,CNNのパフォーマンスを実証した。
トレーニング後,本システムは10~20名のエージェントの最適化手法よりも2桁高速な接続構成を生成する。
論文 参考訳(メタデータ) (2021-12-14T18:59:01Z) - Learning to Coordinate in Multi-Agent Systems: A Coordinated
Actor-Critic Algorithm and Finite-Time Guarantees [43.10380224532313]
本研究ではアクター・クリティカル(AC)アルゴリズムを用いて,自律エージェントによる協調行動の出現について検討する。
本稿では、個別にパラメータ化されたポリシーが共有された部分とパーソナライズされた部分を持つコーディネートされたアクタ・クリティカル・アルゴリズム(CAC)のクラスを提案し、分析する。
この研究は、部分的にパーソナライズされたポリシーを持つ分散ACアルゴリズムに対する最初の有限サンプル保証を提供する。
論文 参考訳(メタデータ) (2021-10-11T20:26:16Z) - Distributed Deep Learning in Open Collaborations [49.240611132653456]
協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。
現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
論文 参考訳(メタデータ) (2021-06-18T16:23:13Z) - Forming Ensembles at Runtime: A Machine Learning Approach [7.535426954033742]
サイバー物理と社会技術システムの上に構築されたスマートシステムアプリケーション(SSA)は、自律的かつ相互に協力して動作するコンポーネントで構成されています。
SSAの協力を可能にする1つのアプローチは、実行時にコンポーネント間の動的協調グループアンサンブルを形成することである。
すべてのコンポーネントは実行時に可能なすべてのアンサンブルの潜在的なメンバであるため、これは計算上難しい問題です。
本稿では,アンサンブル形成問題を分類問題として再キャストし,機械学習を用いて大規模にアンサンブルを形成する手法を提案する。
論文 参考訳(メタデータ) (2021-04-30T08:58:53Z) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳(メタデータ) (2020-05-27T01:10:41Z) - 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。