論文の概要: MAPF-World: Action World Model for Multi-Agent Path Finding

• arxiv url: http://arxiv.org/abs/2508.12087v1
• Date: Sat, 16 Aug 2025 15:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.560429
• Title: MAPF-World: Action World Model for Multi-Agent Path Finding
• Title（参考訳）: MAPF-World:マルチエージェントパス探索のためのアクションワールドモデル
• Authors: Zhanjiang Yang, Meng Li, Yang Shen, Yueming Li, Lijun Sun,
• Abstract要約: マルチエージェントパス探索(MAPF)は、指定された開始地点から複数のエージェントのゴール位置までの競合のない経路を計画する問題である。 近年の分散学習可能解法は大規模MAPFに大いに期待されている。 本研究では,MAPFの自己回帰行動世界モデルであるMAPF-Worldを提案する。
• 参考スコア（独自算出の注目度）: 26.167230347182326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent path finding (MAPF) is the problem of planning conflict-free paths from the designated start locations to goal positions for multiple agents. It underlies a variety of real-world tasks, including multi-robot coordination, robot-assisted logistics, and social navigation. Recent decentralized learnable solvers have shown great promise for large-scale MAPF, especially when leveraging foundation models and large datasets. However, these agents are reactive policy models and exhibit limited modeling of environmental temporal dynamics and inter-agent dependencies, resulting in performance degradation in complex, long-term planning scenarios. To address these limitations, we propose MAPF-World, an autoregressive action world model for MAPF that unifies situation understanding and action generation, guiding decisions beyond immediate local observations. It improves situational awareness by explicitly modeling environmental dynamics, including spatial features and temporal dependencies, through future state and actions prediction. By incorporating these predicted futures, MAPF-World enables more informed, coordinated, and far-sighted decision-making, especially in complex multi-agent settings. Furthermore, we augment MAPF benchmarks by introducing an automatic map generator grounded in real-world scenarios, capturing practical map layouts for training and evaluating MAPF solvers. Extensive experiments demonstrate that MAPF-World outperforms state-of-the-art learnable solvers, showcasing superior zero-shot generalization to out-of-distribution cases. Notably, MAPF-World is trained with a 96.5% smaller model size and 92% reduced data.
• Abstract（参考訳）: マルチエージェントパス探索(MAPF)は、指定された開始地点から複数のエージェントのゴール位置までの競合のない経路を計画する問題である。 マルチロボットコーディネート、ロボット支援ロジスティクス、ソーシャルナビゲーションなど、さまざまな現実世界のタスクの基盤となっている。 近年の分散学習可能解法は、特に基礎モデルや大規模データセットを活用する場合、大規模MAPFに対して大きな期待を示している。 しかしながら、これらのエージェントはリアクティブなポリシーモデルであり、環境時間的ダイナミックスとエージェント間の依存関係の限定的なモデリングを示しており、複雑な長期計画シナリオでパフォーマンスが低下する。 これらの制約に対処するため,MAPFの自己回帰行動世界モデルであるMAPF-Worldを提案する。 将来の状態や行動予測を通じて、空間的特徴や時間的依存を含む環境力学を明示的にモデル化することで、状況認識を改善する。 これらの予測された未来を取り入れることで、MAPF-Worldは、特に複雑なマルチエージェント設定において、より情報的、協調的、遠目的な意思決定を可能にする。 さらに,実世界のシナリオに根ざした自動地図生成装置を導入し,MAPFの学習と評価のための実用的な地図レイアウトを抽出することでMAPFのベンチマークを強化した。 広範な実験により、MAPF-Worldは最先端の学習可能な解法よりも優れており、非配布ケースに優れたゼロショット一般化を示すことが示されている。 特にMAPF-Worldは96.5%のモデルサイズと92%のデータで訓練されている。

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)
• 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)

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。