論文の概要: Multi-Agent Coordination in Autonomous Vehicle Routing: A Simulation-Based Study of Communication, Memory, and Routing Loops

• arxiv url: http://arxiv.org/abs/2511.17656v1
• Date: Thu, 20 Nov 2025 17:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.335152
• Title: Multi-Agent Coordination in Autonomous Vehicle Routing: A Simulation-Based Study of Communication, Memory, and Routing Loops
• Title（参考訳）: 自律走行車ルーティングにおけるマルチエージェントコーディネーション:通信,メモリ,ルーティングループのシミュレーションに基づく研究
• Authors: KM Khalid Saifullah, Daniel Palmer,
• Abstract要約: OMM(Object Memory Management)は,エージェントが障害に関する知識を保持し,共有するための軽量なメカニズムである。 OMM はブロックノードの分散ブラックリストを維持することで動作し、各エージェントは Dijkstra ベースのパス再計算を行う。 以上の結果から,OMMによる調整は,メモリレスシステムと比較して平均走行時間を75.7%削減し,待ち時間を88%短縮することがわかった。
• 参考スコア（独自算出の注目度）: 0.5801044612920815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent coordination is critical for next-generation autonomous vehicle (AV) systems, yet naive implementations of communication-based rerouting can lead to catastrophic performance degradation. This study investigates a fundamental problem in decentralized multi-agent navigation: routing loops, where vehicles without persistent obstacle memory become trapped in cycles of inefficient path recalculation. Through systematic simulation experiments involving 72 unique configurations across varying vehicle densities (15, 35, 55 vehicles) and obstacle frequencies (6, 20 obstacles), we demonstrate that memory-less reactive rerouting increases average travel time by up to 682% compared to baseline conditions. To address this, we introduce Object Memory Management (OMM), a lightweight mechanism enabling agents to retain and share knowledge of previously encountered obstacles. OMM operates by maintaining a distributed blacklist of blocked nodes, which each agent consults during Dijkstra-based path recalculation, effectively preventing redundant routing attempts. Our results show that OMM-enabled coordination reduces average travel time by 75.7% and wait time by 88% compared to memory-less systems, while requiring only 1.67 route recalculations per vehicle versus 9.83 in memory-less scenarios. This work provides empirical evidence that persistent, shared memory is not merely beneficial but essential for robust multi-agent coordination in dynamic environments. The findings have implications beyond autonomous vehicles, informing the design of decentralized systems in robotics, network routing, and distributed AI. We provide a comprehensive experimental analysis, including detailed scenario breakdowns, scalability assessments, and visual documentation of the routing loop phenomenon, demonstrating OMM's critical role in preventing detrimental feedback cycles in cooperative multi-agent systems.
• Abstract（参考訳）: 次世代の自律走行車(AV)システムではマルチエージェント調整が重要であるが、通信ベースのリルーティングの素早い実装は破滅的な性能低下につながる可能性がある。 本研究では、非効率的な経路再計算のサイクルにおいて、永続的障害記憶のない車両が閉じ込められる経路ループ(ルーティングループ)という分散マルチエージェントナビゲーションの基本的な問題について検討する。 各種車両密度(15,35,55台)と障害物周波数(6,20台)の72種類のユニークな構成を含む系統シミュレーション実験により,メモリレス・リアクティブ・リルーティングがベースライン条件と比較して平均走行時間を最大682%増加させることを示した。 この問題に対処するために、エージェントが以前遭遇した障害の知識を保持し、共有できるようにする軽量なメカニズムであるObject Memory Management (OMM)を紹介します。 OMMはブロックノードの分散ブラックリストを維持することで動作し、各エージェントはDijkstraベースのパス再計算中に参照し、冗長なルーティングの試みを効果的に防止する。 この結果から,OMM対応の調整では平均走行時間を75.7%削減し,待ち時間を88%削減する一方,メモリレスシナリオでは1.67ルート再計算しか必要とせず,9.83ルートしか必要としないことがわかった。 この研究は、永続的な共有メモリは単に有益であるだけでなく、動的環境における堅牢なマルチエージェント調整に不可欠である、という実証的な証拠を提供する。 この発見は、自律走行車を超えて、ロボット工学、ネットワークルーティング、分散AIにおける分散システムの設計を通知する。 我々は,協調型マルチエージェントシステムにおける有害フィードバックサイクルの防止において,OMMが重要な役割を担っていることを示すため,詳細なシナリオの分解,スケーラビリティ評価,経路ループ現象の可視化などを含む総合的な実験分析を行った。

関連論文リスト

• Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections [4.534054317956599]
  本研究では,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。 新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けする。 8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。
  論文  参考訳（メタデータ） (2025-10-01T05:19:50Z)
• TransitReID: Transit OD Data Collection with Occlusion-Resistant Dynamic Passenger Re-Identification [1.5119440099674915]
  個人レベルおよび閉塞抵抗性旅客再識別のための新しい枠組みであるTransitReIDを提案する。 この作業は、自動トランジットODコレクションのアルゴリズムとシステムレベルの基盤の両方を前進させる。
  論文  参考訳（メタデータ） (2025-04-15T02:09:02Z)
• End-to-End Steering for Autonomous Vehicles via Conditional Imitation Co-Learning [1.5020330976600735]
  この課題に対処するために、条件付き模倣コラーニング(CIC)アプローチを導入する。 そこで我々は, 回帰と分類のギャップを埋めるために, 分類-回帰ハイブリッド損失を用いて, 操舵回帰問題を分類として提案する。 本モデルは,CIL法と比較して,見えない環境下での自律走行の成功率を平均62%向上させることを実証した。
  論文  参考訳（メタデータ） (2024-11-25T06:37:48Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Communication-Critical Planning via Multi-Agent Trajectory Exchange [21.923724399511798]
  本稿では,統合マルチエージェント認識と計画の課題に対処する。 これは、コネクテッド・自動運転車の衝突のないナビゲーションという現実の課題に関連している。
  論文  参考訳（メタデータ） (2023-03-10T16:59:24Z)
• Learned Risk Metric Maps for Kinodynamic Systems [54.49871675894546]
  本研究では,高次元力学系のコヒーレントリスクメトリクスをリアルタイムに推定するための学習型リスクメトリクスマップを提案する。 LRMMモデルは設計と訓練が簡単で、障害セットの手続き的生成、状態と制御のサンプリング、および関数近似器の教師付きトレーニングのみを必要とする。
  論文  参考訳（メタデータ） (2023-02-28T17:51:43Z)
• Data-Driven Intersection Management Solutions for Mixed Traffic of Human-Driven and Connected and Automated Vehicles [0.0]
  この論文は、コネクテッドカーとオートマチックカーの存在下での都市交通制御のための2つの解決策を提案する。 まず, 協調的交差点管理問題に対して, 集中型小隊制御器を提案する。 第二に,コネクテッドカーの存在下での適応信号制御のためのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:44:45Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。