論文の概要: Local Guidance for Configuration-Based Multi-Agent Pathfinding

• arxiv url: http://arxiv.org/abs/2510.19072v1
• Date: Tue, 21 Oct 2025 20:51:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.636114
• Title: Local Guidance for Configuration-Based Multi-Agent Pathfinding
• Title（参考訳）: 構成に基づくマルチエージェントパスフィニングのための局所誘導
• Authors: Tomoki Arita, Keisuke Okumura,
• Abstract要約: Guidanceは、リアルタイムサブフィンディング型マルチエージェントパスフィンディング(MAPF)手法の実証的性能を改善する新しい概念である。 本研究は,各エージェントの近傍に局所的なガイダンスを提供するという,別のアプローチを提案する。 計画立案者への情報提供は,適度な時間予算を超過することなく,ソリューションの品質を著しく向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 11.193867567895353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Guidance is an emerging concept that improves the empirical performance of real-time, sub-optimal multi-agent pathfinding (MAPF) methods. It offers additional information to MAPF algorithms to mitigate congestion on a global scale by considering the collective behavior of all agents across the entire workspace. This global perspective helps reduce agents' waiting times, thereby improving overall coordination efficiency. In contrast, this study explores an alternative approach: providing local guidance in the vicinity of each agent. While such localized methods involve recomputation as agents move and may appear computationally demanding, we empirically demonstrate that supplying informative spatiotemporal cues to the planner can significantly improve solution quality without exceeding a moderate time budget. When applied to LaCAM, a leading configuration-based solver, this form of guidance establishes a new performance frontier for MAPF.
• Abstract（参考訳）: Guidanceは、リアルタイム・サブ最適マルチエージェントパスフィンディング(MAPF)手法の実証的性能を改善する新しい概念である。 MAPFアルゴリズムに追加の情報を提供し、ワークスペース全体にわたるすべてのエージェントの集合的振る舞いを考慮し、グローバルスケールでの混雑を軽減する。 このグローバルな視点は、エージェントの待機時間を短縮し、全体的な調整効率を改善するのに役立つ。 対照的に、本研究では、各エージェントの近傍に局所的なガイダンスを提供するという、別のアプローチを探求する。 このようなローカライズされた手法は,エージェントの移動に伴う再計算を伴い,計算的に要求される可能性があるが,計画立案者への情報的時空間的手がかりの供給は,適度な時間予算を超えることなく,解の質を著しく向上させることができることを実証的に証明する。 主要な構成ベースソルバであるLaCAMに適用すると、この形式のガイダンスがMAPFの新たなパフォーマンスフロンティアを確立する。

関連論文リスト

• Sequence Pathfinder for Multi-Agent Pickup and Delivery in the Warehouse [10.576983033957953]
  Multi-Agent Pickup and Delivery (MAPD) は Multi-Agent Path Finding (MAPF) の挑戦的拡張である コミュニケーション学習は、グローバルな情報の欠如を緩和するが、ポイントツーポイント通信による高い計算複雑性をもたらす。 本稿では,暗黙的な情報交換を実現するためのシークエンシャルパスファインダ(SePar)を提案する。
  論文  参考訳（メタデータ） (2025-09-28T09:48:13Z)
• Scalable spectral representations for multi-agent reinforcement learning in network MDPs [13.782868855372774]
  マルチエージェント制御の一般的なモデルであるNetwork Markov Decision Processes (MDPs)は、効率的な学習に重大な課題をもたらす。 まず、ネットワークMDPに対してスケーラブルなスペクトル局所表現を導出し、各エージェントの局所$Q$関数に対するネットワーク線形部分空間を誘導する。 我々は,連続的な状態対応ネットワークMDPのためのスケーラブルなアルゴリズムフレームワークを設計し,アルゴリズムの収束をエンドツーエンドで保証する。
  論文  参考訳（メタデータ） (2024-10-22T17:45:45Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• 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)
• Optimistic Multi-Agent Policy Gradient [37.08607405659866]
  相対的過一般化 (Relative Over generalization, RO) は、エージェントが準最適結合ポリシーに向かって収束する際に起こる。 マルチエージェントポリシー勾配(MAPG)法では,ROに対処する手法は提案されていない。 本稿では,RO問題を緩和するMAPG手法の楽観的な更新を可能にする,汎用的でシンプルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-03T14:47:54Z)
• Learn to Follow: Decentralized Lifelong Multi-agent Pathfinding via Planning and Learning [46.354187895184154]
  マルチエージェントパスフィンディング(MAPF)問題は通常、グラフに制限されたエージェントの集合に対する競合のないパスの集合を見つけるよう要求する。 本研究では,エージェントの位置や目標に関する情報をすべて収集する中央制御器が存在しない場合の分散MAPF設定について検討する。 我々は,先行するエージェントに新たな目標を連続的に割り当てることを含むMAPFの実用上重要な寿命変化に焦点をあてる。
  論文  参考訳（メタデータ） (2023-10-02T13:51:32Z)
• Local Optimization Achieves Global Optimality in Multi-Agent Reinforcement Learning [139.53668999720605]
  本稿では,各エージェントのローカルポリシーをバニラPPOと同様に更新するマルチエージェントPPOアルゴリズムを提案する。 マルコフゲームにおける標準正則条件と問題依存量により、我々のアルゴリズムはサブリニアレートで大域的最適ポリシーに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-08T16:20:03Z)
• Locality Matters: A Scalable Value Decomposition Approach for Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
  協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。 本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
  論文  参考訳（メタデータ） (2021-09-22T10:08:15Z)

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。