論文の概要: Enhancing Lifelong Multi-Agent Path-finding by Using Artificial Potential Fields

• arxiv url: http://arxiv.org/abs/2505.22753v1
• Date: Wed, 28 May 2025 18:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.467597
• Title: Enhancing Lifelong Multi-Agent Path-finding by Using Artificial Potential Fields
• Title（参考訳）: 人工電位場を用いた長寿命マルチエージェントパスフィニングの強化
• Authors: Arseniy Pertzovsky, Roni Stern, Ariel Felner, Roie Zivan,
• Abstract要約: MAPFアルゴリズムにAPFを組み込む手法を提案する。 APFはMAPFにとって有益ではないが、LMAPFのシステム全体のスループットは最大で7倍に向上する。
• 参考スコア（独自算出の注目度）: 15.082298617948581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We explore the use of Artificial Potential Fields (APFs) to solve Multi-Agent Path Finding (MAPF) and Lifelong MAPF (LMAPF) problems. In MAPF, a team of agents must move to their goal locations without collisions, whereas in LMAPF, new goals are generated upon arrival. We propose methods for incorporating APFs in a range of MAPF algorithms, including Prioritized Planning, MAPF-LNS2, and Priority Inheritance with Backtracking (PIBT). Experimental results show that using APF is not beneficial for MAPF but yields up to a 7-fold increase in overall system throughput for LMAPF.
• Abstract（参考訳）: マルチエージェントパス探索 (MAPF) とライフロングMAPF (LMAPF) の問題を解決するために, 人工電位場 (APF) の利用について検討する。 MAPFでは、エージェントのチームが衝突なしに目標地点に移動しなければならないが、LMAPFでは、到着時に新たな目標が生成される。 本稿では,MAPFアルゴリズムにAPFを組み込む手法を提案する。 実験の結果,APFの使用はMAPFにとって有益ではないが,LMAPFのシステムスループットが最大で7倍に向上することがわかった。

関連論文リスト

• Transient Multi-Agent Path Finding for Lifelong Navigation in Dense Environments [9.000023855628958]
  ライフロングMAPF(英: Lifelong MAPF、LMAPF)は、エージェントが現在のターゲットに到達すると新たなターゲットを受信するMAPFのオンライン版である。 そこで本研究では,LMAPF問題に対して,各エージェントが最終的にターゲットを訪問することを目的とした修正MAPF問題の系列を解くことで,LMAPF問題を解くことを提案する。 本稿では、このMAPF変種をTransient MAPF (TMAPF) と呼び、既存のMAPFアルゴリズムに基づいたいくつかのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-05T15:37:29Z)
• MAPF-GPT: Imitation Learning for Multi-Agent Pathfinding at Scale [46.35418789518417]
  MAPF(Multi-agent pathfinding)は、一般に、共有環境において複数のエージェントに対して衝突のない経路を見つけることを必要とする問題である。 近年、MAPFへの学習に基づくアプローチが注目されており、特に深層強化学習を活用している。 MAPF-GPTは,多種多様な問題インスタンスにおいて,現在最も優れた学習可能なMAPFソルバよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-29T12:55:10Z)
• 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)

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。