論文の概要: An effective control of large systems of active particles: An application to evacuation problem

• arxiv url: http://arxiv.org/abs/2509.19972v2
• Date: Thu, 02 Oct 2025 09:05:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.112132
• Title: An effective control of large systems of active particles: An application to evacuation problem
• Title（参考訳）: 大規模能動粒子系の効率的な制御-避難問題への応用-
• Authors: Albina Klepach, Egor E. Nuzhin, Alexey A. Tsukanov, Nikolay V. Brilliantov,
• Abstract要約: 我々は、強化学習と、システムに作用する人工力を組み合わせた、リーダーのための効果的な制御戦略を開発する。 我々は、RLの簡単な適用は、高度なアーキテクチャであっても、準最適結果をもたらすが、我々のアプローチは堅牢で効率的な避難戦略を提供することを示した。
• 参考スコア（独自算出の注目度）: 0.05833117322405446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manipulation of large systems of active particles is a serious challenge across diverse domains, including crowd management, control of robotic swarms, and coordinated material transport. The development of advanced control strategies for complex scenarios is hindered, however, by the lack of scalability and robustness of the existing methods, in particular, due to the need of an individual control for each agent. One possible solution involves controlling a system through a leader or a group of leaders, which other agents tend to follow. Using such an approach we develop an effective control strategy for a leader, combining reinforcement learning (RL) with artificial forces acting on the system. To describe the guidance of active particles by a leader we introduce the generalized Vicsek model. This novel method is then applied to the problem of the effective evacuation by a robot-rescuer (leader) of large groups of people from hazardous places. We demonstrate, that while a straightforward application of RL yields suboptimal results, even for advanced architectures, our approach provides a robust and efficient evacuation strategy. The source code supporting this study is publicly available at: https://github.com/cinemere/evacuation.
• Abstract（参考訳）: アクティブ粒子の大規模システムの操作は、群衆管理、ロボット群制御、調整された物質輸送など、さまざまな領域において深刻な課題である。 複雑なシナリオに対する高度な制御戦略の開発は、既存の手法のスケーラビリティと堅牢性の欠如によって妨げられている。 可能な解決策の1つは、他のエージェントが従う傾向にあるリーダーまたはリーダーのグループを通じてシステムを制御することである。 このようなアプローチを用いて、強化学習(RL)とシステムに作用する人工力を組み合わせた、リーダーの効果的な制御戦略を開発する。 リーダーによる活性粒子の誘導を記述するために、一般化されたヴィシェックモデルを導入する。 本手法は,大集団のロボット救助者(リーダー)が危険地域から効果的に避難する問題に適用する。 我々は、RLの簡単な適用は、高度なアーキテクチャであっても、準最適結果をもたらすが、我々のアプローチは堅牢で効率的な避難戦略を提供することを示した。 この研究をサポートするソースコードは、https://github.com/cinemere/evacuation.comで公開されている。

関連論文リスト

• Reinforcement Learning for Decision-Level Interception Prioritization in Drone Swarm Defense [51.736723807086385]
  本稿では,この課題に対処する上で,強化学習の実践的メリットを示すケーススタディを提案する。 本研究では,現実的な運用制約を捉えた高忠実度シミュレーション環境を提案する。 エージェントは最適なインターセプション優先順位付けのために複数のエフェクターを調整することを学ぶ。 我々は、何百ものシミュレートされた攻撃シナリオにおいて、手作りルールベースのベースラインに対する学習ポリシーを評価する。
  論文  参考訳（メタデータ） (2025-08-01T13:55:39Z)
• When Autonomy Goes Rogue: Preparing for Risks of Multi-Agent Collusion in Social Systems [78.04679174291329]
  悪意のあるマルチエージェントシステム(MAS)のリスクをシミュレートするための概念実証手法を提案する。 この枠組みを、誤情報拡散とeコマース詐欺という2つのリスクの高い分野に適用する。 その結果,分散システムの方が,集中型システムよりも悪意ある行動を実行するのに効果的であることが示唆された。
  論文  参考訳（メタデータ） (2025-07-19T15:17:30Z)
• Application of Deep Reinforcement Learning to UAV Swarming for Ground Surveillance [0.0]
  マルチエージェント集中型Swarmアーキテクチャに深層強化学習を統合するハイブリッドAIシステムを提案する。 提案システムは、特定のエリアの監視、地上目標の探索と追跡、セキュリティおよび法執行機関の応用に適したシステムである。
  論文  参考訳（メタデータ） (2025-01-15T08:46:20Z)
• Efficient Domain Coverage for Vehicles with Second-Order Dynamics via Multi-Agent Reinforcement Learning [9.939081691797858]
  本稿では,2次動的エージェントを含む多エージェント効率ドメインカバレッジ問題に対する強化学習(RL)手法を提案する。 提案するネットワークアーキテクチャには,LSTMと自己注意が組み込まれている。
  論文  参考訳（メタデータ） (2022-11-11T01:59:12Z)
• Scalable Task-Driven Robotic Swarm Control via Collision Avoidance and Learning Mean-Field Control [23.494528616672024]
  我々は、最先端平均場制御技術を用いて、多くのエージェントSwarm制御を分散の古典的な単一エージェント制御に変換する。 そこで我々は,衝突回避と平均場制御の学習を,知的ロボット群動作を牽引的に設計するための統一的な枠組みに統合する。
  論文  参考訳（メタデータ） (2022-09-15T16:15:04Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Active Distribution System Coordinated Control Method via Artificial Intelligence [0.0]
  通常の電圧と周波数で確実に確実に電力を供給するためには、システムを制御する必要がある。 自己認識機構を持つニューラルネットワークは,システムの最適化に役立つ可能性が示唆された。
  論文  参考訳（メタデータ） (2022-07-12T13:46:38Z)
• Relative Distributed Formation and Obstacle Avoidance with Multi-agent Reinforcement Learning [20.401609420707867]
  マルチエージェント強化学習(MARL)に基づく分散生成・障害物回避手法を提案する。 提案手法は, 障害物回避における生成誤差, 生成収束率, オンパー成功率に関して, ベースラインと比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2021-11-14T13:02:45Z)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)

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。