Fugu-MT 論文翻訳(概要): Enhancing Lifelong Multi-Agent Path-finding by Using Artificial Potential Fields

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

Advancing Learnable Multi-Agent Pathfinding Solvers with Active Fine-Tuning [46.35418789518417]
マルチエージェントパスフィンディング(MAPF)は、マルチロボット軌道計画問題の共通の抽象化である。本稿では,機械学習を活用した分散化サブ最適化MAPFソルバMAPF-GPT-DDGを紹介する。本実験は,MAPF-GPT-DDGが既存の学習型MAPF解法を超えることを示した。
論文参考訳（メタデータ） (2025-06-30T12:34:31Z)
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)
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)
Traffic Flow Optimisation for Lifelong Multi-Agent Path Finding [29.76466191644455]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題であり、エージェントのチームに対して衝突のない経路の計算を求める。本稿では,MAPFにエージェントを誘導する手法を提案する。各エージェントが1つの宛先を持つワンショットMAPFと、エージェントが常に新しい宛先を割り当てる終身MAPFの2つの大規模設定でこのアイデアを評価する。
論文参考訳（メタデータ） (2023-08-22T07:17:39Z)
POGEMA: Partially Observable Grid Environment for Multiple Agents [64.88759709443819]
POGEMAは、部分的に観測可能なマルチエージェントパスフィンディング(PO-MAPF)問題に挑戦するためのサンドボックスである。様々なPO-MAPFに合わせることができ、プランニングと学習のための優れた試験場として機能する。
論文参考訳（メタデータ） (2022-06-22T09:39:50Z)
Compilation-based Solvers for Multi-Agent Path Finding: a Survey, Discussion, and Future Opportunities [7.766921168069532]
このトピックの過去の発展と現在の傾向から学んだ教訓を示し、その広範な影響について議論します。最適MAPF解決のための2つの主要なアプローチは、(1)MAPFを直接解決する専用の検索ベース手法、(2)MAPFインスタンスを異なる確立された形式でインスタンスに還元するコンパイルベース手法である。
論文参考訳（メタデータ） (2021-04-23T20:13:12Z)
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)

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。