論文の概要: Simultaneous Computation with Multiple Prioritizations in Multi-Agent Motion Planning

• arxiv url: http://arxiv.org/abs/2501.10781v1
• Date: Sat, 18 Jan 2025 14:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:20:26.214513
• Title: Simultaneous Computation with Multiple Prioritizations in Multi-Agent Motion Planning
• Title（参考訳）: マルチエージェント動作計画における多重優先度付き同時計算
• Authors: Patrick Scheffe, Julius Kahle, Bassam Alrifaee,
• Abstract要約: エージェントが複数の優先順位付けを同時に行う方法を示す。 ドメイン固有の知識に依存しないので、私たちのアプローチは一般的です。 10台の車両を用いた路面ネットワーク実験において,実時間性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Multi-agent path finding (MAPF) in large networks is computationally challenging. An approach for MAPF is prioritized planning (PP), in which agents plan sequentially according to their priority. Albeit a computationally efficient approach for MAPF, the solution quality strongly depends on the prioritization. Most prioritizations rely either on heuristics, which do not generalize well, or iterate to find adequate priorities, which costs computational effort. In this work, we show how agents can compute with multiple prioritizations simultaneously. Our approach is general as it does not rely on domain-specific knowledge. The context of this work is multi-agent motion planning (MAMP) with a receding horizon subject to computation time constraints. MAMP considers the system dynamics in more detail compared to MAPF. In numerical experiments on MAMP, we demonstrate that our approach to prioritization comes close to optimal prioritization and outperforms state-of-the-art methods with only a minor increase in computation time. We show real-time capability in an experiment on a road network with ten vehicles in our Cyber-Physical Mobility Lab.
• Abstract（参考訳）: 大規模ネットワークにおけるマルチエージェントパス探索(MAPF)は計算的に困難である。 MAPFのアプローチは、エージェントが優先順位に応じて順次計画する計画(PP)が優先される。 MAPFの計算効率のよいアプローチであるにもかかわらず、解の質は優先順位付けに強く依存する。 ほとんどの優先順位付けは、よく一般化しないヒューリスティックスに依存するか、あるいは計算コストのかかる適切な優先順位を見つけるために反復する。 本研究では,エージェントが複数の優先順位付けを同時に行う方法を示す。 ドメイン固有の知識に依存しないので、私たちのアプローチは一般的です。 本研究のコンテキストは,計算時間制約を考慮したマルチエージェント・モーション・プランニング(MAMP)である。 MAMPはMAPFと比較してシステムダイナミクスをより詳細に検討している。 MAMPの数値実験では, 優先度付けへのアプローチが最適優先度付けに近づき, 計算時間をわずかに増加させるだけで最先端の手法より優れていることを示す。 我々は,Cyber-Physical Mobility Labの10台の車両を用いた道路ネットワーク実験において,リアルタイムな能力を示す。

関連論文リスト

• Graph Coloring to Reduce Computation Time in Prioritized Planning [0.0]
  本稿では,結合DAGの最長経路長を削減するため,PPの優先順位付け手法を提案する。 この問題を,結合DAGの最長経路長に対応する色数を求めるグラフカラー化問題にマッピングできることを実証する。 エージェントの優先度を決定するために,分散グラフカラー化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-18T16:22:07Z)
• Deep Learning Algorithms for Mean Field Optimal Stopping in Finite Space and Discrete Time [3.350071725971209]
  本研究は, エージェント数が無限に近づくにつれて得られる平均場最適停止(MFOS)問題を考察する。 本研究では,2つの深層学習手法を提案する。一方は最適決定を学習するために全軌道をシミュレートし,他方は逆方向誘導でDPPを利用する。 空間次元最大300の6つの異なる問題に対する数値実験により,これらの手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-11T14:27:17Z)
• 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)
• 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)
• An Efficient Approach to the Online Multi-Agent Path Finding Problem by Using Sustainable Information [10.367412630626834]
  多エージェント経路探索(MAPF)は、衝突せずにエージェントをゴールへ移動させる問題である。 本稿では,持続可能な情報を活用したオンラインMAPFの3段階的解決手法を提案する。 我々のアルゴリズムは、エージェント数の設定が異なる場合、平均1.48倍の速度でSOTAより高速である。
  論文  参考訳（メタデータ） (2023-01-11T13:04:35Z)
• 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)
• Prioritized SIPP for Multi-Agent Path Finding With Kinematic Constraints [0.0]
  MAPF(Multi-Agent Path Finding)は、ロボティクスと人工知能における長年の問題である。 この問題をある程度緩和する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-11T10:42:11Z)
• The Surprising Effectiveness of MAPPO in Cooperative, Multi-Agent Games [67.47961797770249]
  マルチエージェントPPO(MAPPO)は、集中型値関数を採用するマルチエージェントPPOバリアントである。 MAPPOは,3つの一般的なマルチエージェントテストベッドにおいて,最先端技術に匹敵する性能を実現していることを示す。
  論文  参考訳（メタデータ） (2021-03-02T18:59:56Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。