論文の概要: PANAMA: A Network-Aware MARL Framework for Multi-Agent Path Finding in Digital Twin Ecosystems

• arxiv url: http://arxiv.org/abs/2508.06767v1
• Date: Sat, 09 Aug 2025 00:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.539722
• Title: PANAMA: A Network-Aware MARL Framework for Multi-Agent Path Finding in Digital Twin Ecosystems
• Title（参考訳）: PANAMA:デジタル双対生態系におけるマルチエージェントパス探索のためのネットワーク対応MARLフレームワーク
• Authors: Arman Dogru, R. Irem Bor-Yaliniz, Nimal Gamini Senarath,
• Abstract要約: ネットワークマルチエージェント強化学習(MARL)に基づくマルチエージェントパス探索(MAPF)のための優先非対称性を持つ新しいアルゴリズムであるPANAMAを紹介する。 提案手法は,既存のベンチマークと比較して,精度,速度,スケーラビリティにおいて優れたパスフィンディング性能を示す。 PanAMAは、ネットワーク対応意思決定と堅牢なマルチエージェント調整のギャップを埋め、DT、無線ネットワーク、AI駆動自動化のシナジーを前進させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital Twins (DTs) are transforming industries through advanced data processing and analysis, positioning the world of DTs, Digital World, as a cornerstone of nextgeneration technologies including embodied AI. As robotics and automated systems scale, efficient data-sharing frameworks and robust algorithms become critical. We explore the pivotal role of data handling in next-gen networks, focusing on dynamics between application and network providers (AP/NP) in DT ecosystems. We introduce PANAMA, a novel algorithm with Priority Asymmetry for Network Aware Multi-agent Reinforcement Learning (MARL) based multi-agent path finding (MAPF). By adopting a Centralized Training with Decentralized Execution (CTDE) framework and asynchronous actor-learner architectures, PANAMA accelerates training while enabling autonomous task execution by embodied AI. Our approach demonstrates superior pathfinding performance in accuracy, speed, and scalability compared to existing benchmarks. Through simulations, we highlight optimized data-sharing strategies for scalable, automated systems, ensuring resilience in complex, real-world environments. PANAMA bridges the gap between network-aware decision-making and robust multi-agent coordination, advancing the synergy between DTs, wireless networks, and AI-driven automation.
• Abstract（参考訳）: デジタルツイン(Digital Twins, DT)は、先進的なデータ処理と分析を通じて産業を変革し、Digital WorldというDTの世界を、具現化されたAIを含む次世代技術の基盤として位置づけている。 ロボット工学と自動化システムがスケールするにつれて、効率的なデータ共有フレームワークと堅牢なアルゴリズムが重要になる。 我々は、DTエコシステムにおけるアプリケーションとネットワークプロバイダ(AP/NP)間のダイナミクスに焦点を当て、次世代ネットワークにおけるデータハンドリングの重要な役割について検討する。 本稿では,MARL(Network Aware Multi-Adnt Reinforcement Learning)に基づくMAPF(Multi-Adnt Path Finding)のための優先非対称性を持つ新しいアルゴリズムであるPANAMAを紹介する。 分散実行による集中トレーニング(CTDE)フレームワークと非同期アクタラーナーアーキテクチャを採用することで、PANAMAはトレーニングを加速するとともに、AIによる自律的なタスク実行を実現している。 提案手法は,既存のベンチマークと比較して,精度,速度,スケーラビリティにおいて優れたパスフィンディング性能を示す。 シミュレーションを通じて、スケーラブルで自動化されたシステムのための最適化されたデータ共有戦略を強調し、複雑な実環境におけるレジリエンスを確保する。 PANAMAは、ネットワーク対応意思決定と堅牢なマルチエージェント調整のギャップを埋め、DT、無線ネットワーク、AI駆動自動化のシナジーを前進させる。

関連論文リスト

• Twill: Scheduling Compound AI Systems on Heterogeneous Mobile Edge Platforms [1.7835990287552501]
  複合AI(cAI)システムは複雑な問題を解決するために複数のAIモデルをチェーンする。 既存のモバイルエッジAI推論戦略は、マルチDNNまたはトランスフォーマーのみのワークロードを管理する。 我々は,cAIワークロードの同時推論要求を処理するランタイムフレームワークであるTwillを紹介する。
  論文  参考訳（メタデータ） (2025-07-01T07:06:45Z)
• INSIGHT: A Survey of In-Network Systems for Intelligent, High-Efficiency AI and Topology Optimization [43.37351326629751]
  インネットワークAI(In-network AI)は、ネットワークインフラストラクチャにおける人工知能(AI)のエスカレート要求に対処するための、変革的なアプローチである。 本稿では,AIのためのネットワーク内計算の最適化に関する包括的な分析を行う。 リソース制約のあるネットワークデバイスにAIモデルをマッピングするための方法論を調べ、メモリや計算能力の制限といった課題に対処する。
  論文  参考訳（メタデータ） (2025-05-30T06:47:55Z)
• Future-Proofing Mobile Networks: A Digital Twin Approach to Multi-Signal Management [2.5341871361006456]
  デジタルツイン(DT)は、将来の無線ネットワークにおいて重要な技術となることが期待されている。 我々のフレームワークは多様なデータソースを統合し、ネットワーク性能に関するリアルタイムで総合的な洞察を提供する。 従来の分析は、Generative AI(GenAI)のような新しいAIモデルに依存するように進化する。
  論文  参考訳（メタデータ） (2024-07-22T10:13:46Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• An Interactive Agent Foundation Model [49.77861810045509]
  本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。 トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。 私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
  論文  参考訳（メタデータ） (2024-02-08T18:58:02Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• Hierarchical Multi-Agent DRL-Based Framework for Joint Multi-RAT Assignment and Dynamic Resource Allocation in Next-Generation HetNets [21.637440368520487]
  本稿では,次世代無線ネットワーク(HetNets)における共同最適無線アクセス技術(RATs)の割り当てと電力割り当てによるコストアウェアダウンリンク総和率の問題について考察する。 本稿では,DeepRAT(DeepRAT)と呼ばれる階層型多エージェント深層強化学習(DRL)フレームワークを提案する。 特に、DeepRATフレームワークは、問題を2つの主要なステージに分解する: 単一エージェントのDeep Q Networkアルゴリズムを実装するRATs-EDs割り当てステージと、マルチエージェントのDeep Deterministic Policy Gradientを利用するパワー割り当てステージである。
  論文  参考訳（メタデータ） (2022-02-28T09:49:44Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)

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。