論文の概要: Structural Induced Exploration for Balanced and Scalable Multi-Robot Path Planning

• arxiv url: http://arxiv.org/abs/2512.21654v1
• Date: Thu, 25 Dec 2025 12:53:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:58:27.431314
• Title: Structural Induced Exploration for Balanced and Scalable Multi-Robot Path Planning
• Title（参考訳）: バランスよくスケーラブルなマルチロボット経路計画のための構造誘導探索
• Authors: Zikun Guo, Adeyinka P. Adedigba, Rammohan Mallipeddi, Heoncheol Lee,
• Abstract要約: マルチロボット経路計画は、その複雑さと、ロボット間の公平なタスク割り当てとグローバル効率のバランスをとる必要があるため、基本的な課題である。 従来のSwarmインテリジェンス手法は、小さなインスタンスでは有効だが、しばしば早めに収束し、複雑な環境にスケールするのに苦労する。 アリコロニー最適化(ACO)の探索プロセスに構造先行を組み込んだ構造誘発探索フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.823580643749891
• License:
• Abstract: Multi-robot path planning is a fundamental yet challenging problem due to its combinatorial complexity and the need to balance global efficiency with fair task allocation among robots. Traditional swarm intelligence methods, although effective on small instances, often converge prematurely and struggle to scale to complex environments. In this work, we present a structure-induced exploration framework that integrates structural priors into the search process of the ant colony optimization (ACO). The approach leverages the spatial distribution of the task to induce a structural prior at initialization, thereby constraining the search space. The pheromone update rule is then designed to emphasize structurally meaningful connections and incorporates a load-aware objective to reconcile the total travel distance with individual robot workload. An explicit overlap suppression strategy further ensures that tasks remain distinct and balanced across the team. The proposed framework was validated on diverse benchmark scenarios covering a wide range of instance sizes and robot team configurations. The results demonstrate consistent improvements in route compactness, stability, and workload distribution compared to representative metaheuristic baselines. Beyond performance gains, the method also provides a scalable and interpretable framework that can be readily applied to logistics, surveillance, and search-and-rescue applications where reliable large-scale coordination is essential.
• Abstract（参考訳）: マルチロボット経路計画は、組み合わせの複雑さと、ロボット間の公平なタスク割り当てとグローバル効率のバランスをとる必要があるため、基本的な課題である。 従来のSwarmインテリジェンス手法は、小さなインスタンスでは有効だが、しばしば早めに収束し、複雑な環境にスケールするのに苦労する。 本研究では,アリコロニー最適化 (ACO) の探索プロセスに構造先行を組み込んだ構造誘導探索フレームワークを提案する。 この手法はタスクの空間分布を利用して初期化時に構造的事前を誘導し、探索空間を制約する。 フェロモン更新ルールは、構造的に意味のある接続を強調するように設計され、個々のロボットの作業負荷と全体の移動距離を調整するための負荷認識の目的が組み込まれている。 明示的な重複抑制戦略により、タスクがチーム間で区別され、バランスがとれることが保証される。 提案したフレームワークは、幅広いインスタンスサイズとロボットチーム構成をカバーする多様なベンチマークシナリオで検証された。 その結果, 経路のコンパクト性, 安定性, ワークロード分布は, 代表的メタヒューリスティックベースラインに比べて一貫した改善が見られた。 パフォーマンス向上以外にも、信頼性の高い大規模調整が不可欠であるロジスティクス、監視、検索・救助アプリケーションに容易に適用可能な、スケーラブルで解釈可能なフレームワークも提供する。

関連論文リスト

• Balancing Efficiency and Fairness: An Iterative Exchange Framework for Multi-UAV Cooperative Path Planning [6.14294229178003]
  マルチUAV協調経路計画(MU CPP)はマルチエージェントシステムにおける基本的な問題である。 本稿では,MU CPPのための新しい反復交換フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-29T09:41:22Z)
• Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
  階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。 具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。 我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-21T12:25:47Z)
• A Multi-Agent Reinforcement Learning Approach for Cooperative Air-Ground-Human Crowdsensing in Emergency Rescue [22.201769922727077]
  本稿では,ヒト,UAV,UGVを考慮し,不均一な協調作業割当問題に対処する。 我々は,UGVが低電池UAVのチャージを優先し,検知タスクを遂行する,新しい「ハード・コラボレーティブ」政策を導入する。 本稿では,分散実行アーキテクチャに基づく新しいマルチエージェント強化学習アルゴリズムであるHECTA4ERを提案する。
  論文  参考訳（メタデータ） (2025-05-11T14:49:15Z)
• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• The Complexity of Optimizing Atomic Congestion [14.845310803203724]
  アトミック・渋滞ゲームは、ネットワーク設計、ルーティング、アルゴリズムゲーム理論において古典的なトピックである。 非常に単純なネットワークでも問題は非常に難解なままである。 我々は、この問題の(さらに難しい)min-max変種に対する分析を拡張して結論付ける。
  論文  参考訳（メタデータ） (2023-12-15T21:31:30Z)
• MANER: Multi-Agent Neural Rearrangement Planning of Objects in Cluttered Environments [8.15681999722805]
  本稿では,マルチエージェントオブジェクトアレンジメント計画のための学習ベースのフレームワークを提案する。 複雑な環境におけるタスクシークエンシングとパス計画の課題に対処する。
  論文  参考訳（メタデータ） (2023-06-10T23:53:28Z)
• Neural Architecture Search From Fr\'echet Task Distance [50.9995960884133]
  与えられたベースラインタスクのセット内の対象タスクと各タスクの間の距離を、ターゲットタスクのニューラルネットワークアーキテクチャ検索スペースを減らすためにどのように使用できるかを示す。 タスク固有のアーキテクチャに対する検索空間の複雑さの低減は、このサイド情報を用いることなく完全な検索を行う代わりに、類似したタスクのために最適化されたアーキテクチャ上に構築することで達成される。
  論文  参考訳（メタデータ） (2021-03-23T20:43:31Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)
• Bottom-up mechanism and improved contract net protocol for the dynamic task planning of heterogeneous Earth observation resources [61.75759893720484]
  地球観測資源は、災害救助、被害評価、関連する領域においてますます不可欠になりつつある。 観測要求の変更や悪天候の発生、資源の失敗など、予測できない多くの要因は、スケジュールされた観測計画が実行不可能になる可能性がある。 不均質な地球観測資源の動的タスク計画を容易にするため、ボトムアップ分散協調フレームワークと改良された契約網を提案する。
  論文  参考訳（メタデータ） (2020-07-13T03:51:08Z)

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。