論文の概要: Multi-Dimensional AGV Path Planning in 3D Warehouses Using Ant Colony Optimization and Advanced Neural Networks

• arxiv url: http://arxiv.org/abs/2504.01985v1
• Date: Sun, 30 Mar 2025 14:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-12 01:26:22.508073
• Title: Multi-Dimensional AGV Path Planning in 3D Warehouses Using Ant Colony Optimization and Advanced Neural Networks
• Title（参考訳）: Ant Colony OptimizationとAdvanced Neural Networksを用いた3次元倉庫における多次元AGV経路計画
• Authors: Bo Zhang, Xiubo Liang, Wei Song, Yulu Chen,
• Abstract要約: 本稿では,ACOとディープラーニングモデルを組み合わせたハイブリッドフレームワークを活用した3次元倉庫環境のための新しいAGV経路計画手法を提案する。 NAHACOは経路計画の効率を大幅に向上させ、より高速な計算時間とバニラおよび最先端の手法よりも優れた性能を得る。 倉庫試験では、NAHACOはコストを41.5%まで削減し、渋滞を56.1%まで削減した。
• 参考スコア（独自算出の注目度）: 4.517879416915767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Within modern warehouse scenarios, the rapid expansion of e-commerce and increasingly complex, multi-level storage environments have exposed the limitations of traditional AGV (Automated Guided Vehicle) path planning methods--often reliant on static 2D models and expert-tuned heuristics that struggle to handle dynamic traffic and congestion. Addressing these limitations, this paper introduces a novel AGV path planning approach for 3D warehouse environments that leverages a hybrid framework combining ACO (Ant Colony Optimization) with deep learning models, called NAHACO (Neural Adaptive Heuristic Ant Colony Optimization). NAHACO integrates three key innovations: first, an innovative heuristic algorithm for 3D warehouse cargo modeling using multidimensional tensors, which addresses the challenge of achieving superior heuristic accuracy; second, integration of a congestion-aware loss function within the ACO framework to adjust path costs based on traffic and capacity constraints, called CARL (Congestion-Aware Reinforce Loss), enabling dynamic heuristic calibration for optimizing ACO-based path planning; and third, an adaptive attention mechanism that captures multi-scale spatial features, thereby addressing dynamic heuristic calibration for further optimization of ACO-based path planning and AGV navigation. NAHACO significantly boosts path planning efficiency, yielding faster computation times and superior performance over both vanilla and state-of-the-art methods, while automatically adapting to warehouse constraints for real-time optimization. NAHACO outperforms state-of-the-art methods, lowering the total cost by up to 24.7% on TSP benchmarks. In warehouse tests, NAHACO cuts cost by up to 41.5% and congestion by up to 56.1% compared to previous methods.
• Abstract（参考訳）: 現代の倉庫のシナリオでは、電子商取引の急速な拡大と、ますます複雑化するマルチレベルストレージ環境が、従来のAGV(Automated Guided Vehicle)パス計画手法の限界を露呈している。 本稿では,ACO(Ant Colony Optimization)とNAHACO(Neural Adaptive Heuristic Ant Colony Optimization)というディープラーニングモデルを組み合わせたハイブリッドフレームワークを活用した,3次元倉庫環境のための新しいAGVパス計画手法を提案する。 NAHACOは3つの重要なイノベーションを統合する: 1つは、多次元テンソルを用いた3次元倉庫貨物モデリングのための革新的なヒューリスティックアルゴリズムで、優れたヒューリスティックな精度を達成するという課題に対処し、もう1つは、CARL(Congestion-Aware Reinforce Loss)と呼ばれるトラフィックとキャパシティの制約に基づいてパスコストを調整するために、ACOフレームワーク内の渋滞認識損失関数を統合し、ACOベースの経路計画の最適化のための動的ヒューリスティックキャリブレーションを可能にする。 NAHACOはパス計画の効率を大幅に向上させ、より高速な計算時間と、バニラおよび最先端の手法よりも優れたパフォーマンスを実現し、リアルタイム最適化のために倉庫の制約に自動的に適応する。 NAHACOは最先端の手法より優れており、TSPベンチマークの総コストを24.7%削減している。 倉庫試験では、NAHACOはコストを41.5%まで削減し、渋滞を56.1%まで削減した。

関連論文リスト

• Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [55.78505925402658]
  車両ルーティング問題(VRP)は、トラベリングセールスパーソン問題の延長であり、進化的最適化における基本的なNPハードチャレンジである。 遺伝的アルゴリズムによってさらに最適化された初期解を迅速に生成するために、強化学習エージェント(事前インスタンスで訓練された)を使用した新しい最適化フレームワークを導入する。 例えば、EARLIは1秒以内に500カ所の車両ルーティングを処理し、同じソリューション品質の現在のソルバよりも10倍高速で、リアルタイムやインタラクティブなルーティングのようなアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2025-04-08T15:21:01Z)
• Optimal Transport Adapter Tuning for Bridging Modality Gaps in Few-Shot Remote Sensing Scene Classification [80.83325513157637]
  Few-Shot Remote Sensing Scene Classification (FS-RSSC)は,限られたラベル付きサンプルを用いたリモートセンシング画像の分類の課題を示す。 理想的なプラトン表現空間を構築することを目的とした,OTAT(Optimal Transport Adapter Tuning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T07:04:24Z)
• A Coalition Game for On-demand Multi-modal 3D Automated Delivery System [4.378407481656902]
  2つのオーバレイネットワークで動作するUAVとADRの連合ゲームとして,マルチモーダルな自律デリバリ最適化フレームワークを導入する。 このフレームワークは、高密度領域、道路ベースのルーティング、実際の運用課題など、都市環境におけるラストマイルデリバリに対処する。
  論文  参考訳（メタデータ） (2024-12-23T03:50:29Z)
• SCoTT: Wireless-Aware Path Planning with Vision Language Models and Strategic Chains-of-Thought [78.53885607559958]
  複雑な無線環境における経路計画を実現するために,視覚言語モデル(VLM)を用いた新しい手法を提案する。 この目的のために、実世界の無線レイトレーシングデータを用いたデジタルツインからの洞察を探索する。 その結果, SCoTT はDP-WA* と比較して非常に近い平均経路ゲインを実現し, 同時に一貫した経路長が得られることがわかった。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• ALOcc: Adaptive Lifting-based 3D Semantic Occupancy and Cost Volume-based Flow Prediction [89.89610257714006]
  既存の手法は、これらのタスクの要求に応えるために高い精度を優先する。 本稿では,3次元セマンティック占有率予測とフロー推定のための一連の改善点を紹介する。 私たちの純粋な時間的アーキテクチャフレームワークであるALOccは、速度と精度の最適なトレードオフを実現しています。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。 我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• Adaptive traffic signal safety and efficiency improvement by multi objective deep reinforcement learning approach [0.0]
  本研究では,多目的深部強化学習(DRL)技術を活用した適応交通信号制御(ATSC)の革新的手法を提案する。 提案手法は, 安全, 効率, 脱炭目標に対処しながら, 交差点における制御戦略を強化することを目的としている。
  論文  参考訳（メタデータ） (2024-08-01T13:10:41Z)
• Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
  本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。 WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
  論文  参考訳（メタデータ） (2024-07-18T02:46:06Z)
• Eco-Driving Control of Connected and Automated Vehicles using Neural Network based Rollout [0.0]
  接続された自動運転車は、エネルギー消費を最小化する可能性がある。 既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。 本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T23:13:51Z)
• Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
  軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。 既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。 このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
  論文  参考訳（メタデータ） (2023-09-25T22:30:18Z)
• Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
  本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。 本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。 シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-23T03:33:29Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)

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。