論文の概要: Task Allocation for Autonomous Machines using Computational Intelligence and Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2508.20688v1
• Date: Thu, 28 Aug 2025 11:48:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.365581
• Title: Task Allocation for Autonomous Machines using Computational Intelligence and Deep Reinforcement Learning
• Title（参考訳）: コンピュータ・インテリジェンスと深層強化学習を用いた自律機械のタスク割当
• Authors: Thanh Thi Nguyen, Quoc Viet Hung Nguyen, Jonathan Kua, Imran Razzak, Dung Nguyen, Saeid Nahavandi,
• Abstract要約: 計算知能(CI)と深層強化学習(RL)を用いたタスク割当手法に着目する。 近年の深部RLの発展は、自律機械の制御と調整に関する文献に大きく貢献している。 本論文は,自律型機械に関する機械学習研究の進展を包括的に概観する上で,研究者や技術者に提供することを目的としている。
• 参考スコア（独自算出の注目度）: 27.325920343591033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enabling multiple autonomous machines to perform reliably requires the development of efficient cooperative control algorithms. This paper presents a survey of algorithms that have been developed for controlling and coordinating autonomous machines in complex environments. We especially focus on task allocation methods using computational intelligence (CI) and deep reinforcement learning (RL). The advantages and disadvantages of the surveyed methods are analysed thoroughly. We also propose and discuss in detail various future research directions that shed light on how to improve existing algorithms or create new methods to enhance the employability and performance of autonomous machines in real-world applications. The findings indicate that CI and deep RL methods provide viable approaches to addressing complex task allocation problems in dynamic and uncertain environments. The recent development of deep RL has greatly contributed to the literature on controlling and coordinating autonomous machines, and it has become a growing trend in this area. It is envisaged that this paper will provide researchers and engineers with a comprehensive overview of progress in machine learning research related to autonomous machines. It also highlights underexplored areas, identifies emerging methodologies, and suggests new avenues for exploration in future research within this domain.
• Abstract（参考訳）: 複数の自律機械を確実に動作させるためには、効率的な協調制御アルゴリズムの開発が必要である。 本稿では,複雑な環境下で自律機械を制御・調整するために開発されたアルゴリズムについて述べる。 本稿では特に,計算知能 (CI) と深層強化学習 (RL) を用いたタスク割り当て手法に着目する。 調査手法の利点と欠点を徹底的に分析する。 我々はまた、既存のアルゴリズムを改善する方法や、現実のアプリケーションにおける自律機械の実用性と性能を高める新しい方法を作成する方法について、様々な研究の方向性を提案し、詳細に議論する。 これらの結果から,CI法と深部RL法は,動的かつ不確実な環境において,複雑なタスク割り当て問題に対処するための実行可能なアプローチを提供することが示された。 近年の深部RLの発展は、自律機械の制御と調整に関する文献に大きく貢献し、この領域ではその傾向が高まっている。 本論文は,自律型機械に関する機械学習研究の進展を包括的に概観する上で,研究者や技術者に提供することを目的としている。 また、未調査領域を強調し、新たな方法論を特定し、この領域内での今後の研究における新たな道筋を提案する。

関連論文リスト

• The Emergence of Deep Reinforcement Learning for Path Planning [27.08547928141541]
  深部強化学習(DRL)は、自律エージェントが最適なナビゲーション戦略を学べる強力な方法として登場した。 本調査では、従来のアプローチの概要と、経路計画タスクに適用されたDRLの最近の進歩について概観する。 調査は、主要なオープンな課題を特定し、将来的な研究の道筋を概説することで締めくくっている。
  論文  参考訳（メタデータ） (2025-07-21T10:21:42Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
  エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。 この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。 本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
  論文  参考訳（メタデータ） (2024-03-14T07:40:32Z)
• SERL: A Software Suite for Sample-Efficient Robotic Reinforcement Learning [82.46975428739329]
  筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。 我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。 これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
  論文  参考訳（メタデータ） (2024-01-29T10:01:10Z)
• Deep reinforcement learning for machine scheduling: Methodology, the state-of-the-art, and future directions [2.4541568670428915]
  マシンスケジューリングは、製造ルールとジョブ仕様に準拠しながら、マシンへのジョブ割り当てを最適化することを目的としている。 人工知能の重要な構成要素であるDeep Reinforcement Learning (DRL)は、ゲームやロボティクスなど、さまざまな分野において有望であることを示している。 本稿では、DRLに基づくアプローチの総合的なレビューと比較を行い、その方法論、応用、利点、限界を明らかにする。
  論文  参考訳（メタデータ） (2023-10-04T22:45:09Z)
• A Survey From Distributed Machine Learning to Distributed Deep Learning [0.356008609689971]
  データとアルゴリズムを複数のマシンに分散する分散機械学習が提案されている。 これらのアルゴリズムを分類とクラスタリング(従来の機械学習)、深層学習、深層強化学習グループに分割する。 上記のアルゴリズムの調査に基づいて、今後の研究で対処すべき限界を強調した。
  論文  参考訳（メタデータ） (2023-07-11T13:06:42Z)
• A step toward a reinforcement learning de novo genome assembler [0.4749981032986242]
  機械学習は、より正確で自動化されたアセンブラを開発するための代替(または補完)方法として現れるかもしれない。 本研究は,ゲノム組立における強化学習(RL)を用いた機械学習の応用に光を当てた。 我々は報奨システムを改良し、プルーニングと進化コンピューティングとの協調による状態空間の探索を最適化した。
  論文  参考訳（メタデータ） (2021-02-02T23:43:42Z)

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。