論文の概要: Optimal Scalability-Aware Allocation of Swarm Robots: From Linear to Retrograde Performance via Marginal Gains

• arxiv url: http://arxiv.org/abs/2512.23431v1
• Date: Mon, 29 Dec 2025 12:50:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.551441
• Title: Optimal Scalability-Aware Allocation of Swarm Robots: From Linear to Retrograde Performance via Marginal Gains
• Title（参考訳）: スワムロボットの最適スケーラビリティを考慮した配置:マージナルゲインによるリニアからリトログレードまで
• Authors: Simay Atasoy Bingöl, Tobias Töpfer, Sven Kosub, Heiko Hamann, Andreagiovanni Reina,
• Abstract要約: 集合システムでは、利用可能なエージェントは、集合的なパフォーマンスを最大化するためにタスク間で割り当てられなければならない限られたリソースである。 本稿では, 線形化, 飽和化, 逆行スケーリングなど, 拡張性のあるタスクにエージェントを最適に割り当てるアルゴリズムを提案する。 本手法は,次世代マルチロボットシステムの展開を推し進めることを目的としている。
• 参考スコア（独自算出の注目度）: 3.5232085374661284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In collective systems, the available agents are a limited resource that must be allocated among tasks to maximize collective performance. Computing the optimal allocation of several agents to numerous tasks through a brute-force approach can be infeasible, especially when each task's performance scales differently with the increase of agents. For example, difficult tasks may require more agents to achieve similar performances compared to simpler tasks, but performance may saturate nonlinearly as the number of allocated agents increases. We propose a computationally efficient algorithm, based on marginal performance gains, for optimally allocating agents to tasks with concave scalability functions, including linear, saturating, and retrograde scaling, to achieve maximum collective performance. We test the algorithm by allocating a simulated robot swarm among collective decision-making tasks, where embodied agents sample their environment and exchange information to reach a consensus on spatially distributed environmental features. We vary task difficulties by different geometrical arrangements of environmental features in space (patchiness). In this scenario, decision performance in each task scales either as a saturating curve (following the Condorcet's Jury Theorem in an interference-free setup) or as a retrograde curve (when physical interference among robots restricts their movement). Using simple robot simulations, we show that our algorithm can be useful in allocating robots among tasks. Our approach aims to advance the deployment of future real-world multi-robot systems.
• Abstract（参考訳）: 集合システムでは、利用可能なエージェントは、全体のパフォーマンスを最大化するためにタスク間で割り当てられなければならない限られたリソースである。 ブルートフォースアプローチによって複数のエージェントを複数のタスクに最適に割り当てる計算は、特にエージェントの増加とともに各タスクのパフォーマンスが異なる場合、実現不可能である。 例えば、難しいタスクでは、単純なタスクに比べて多くのエージェントが同様のパフォーマンスを達成する必要があるが、割り当てられたエージェントの数が増加するにつれて、パフォーマンスは非線形に飽和する可能性がある。 本稿では, 線形, 飽和, 逆行的なスケーリングなど, 拡張性のあるタスクにエージェントを最適に割り当て, 性能を最大化するための計算効率のよいアルゴリズムを提案する。 本研究では, エージェントが環境をサンプリングし, 情報を交換し, 空間的に分散した環境特徴についてコンセンサスを得るという, 集団意思決定作業において, シミュレーションロボット群を割り当てることにより, アルゴリズムを検証した。 空間(触覚)における環境特徴の幾何学的配置の違いにより,課題の難しさが変化する。 このシナリオでは、各タスクにおける決定性能は飽和曲線(干渉のない設定でCondorcetのJury Theoremに従う)または逆行曲線(ロボット間の物理的干渉が動きを制限する)としてスケールする。 簡単なロボットシミュレーションを用いて,タスク間でロボットを割り当てるのに,我々のアルゴリズムが有用であることを示す。 本手法は,次世代マルチロボットシステムの展開を推し進めることを目的としている。

関連論文リスト

• FORMICA: Decision-Focused Learning for Communication-Free Multi-Robot Task Allocation [0.802904964931021]
  ロボット間通信を使わずに高品質なタスクアロケーションを実現する学習ベースのフレームワークを提案する。 提案手法は,解析的平均場近似における系統的誤差を補正するために入札分布を推定する。 我々は予測器をエンドツーエンドに訓練し、予測エラーよりもタスク割り当てレグレを最小化する。
  論文  参考訳（メタデータ） (2026-02-20T21:26:46Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• Capability-Aware Shared Hypernetworks for Flexible Heterogeneous Multi-Robot Coordination [1.5970870882365]
  マルチロボットチームのための能力認識共有ハイパーネットワークス(CASH)を提案する。 CASHは、ハイパーネットワークを使用してフレキシブルな共有ポリシを効率的に学習する、ソフトウェイト共有アーキテクチャである。 トレーニングとゼロショットの一般化の両方において、CASHは性能とサンプル効率の点で、ベースラインアーキテクチャを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-01-10T15:39:39Z)
• Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
  本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。 そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。 Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
  論文  参考訳（メタデータ） (2024-08-29T20:22:22Z)
• Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments [54.39292848359306]
  本稿では,タスクのシーケンシング,割り当て,実行を最適化するタスクと動作計画の組み合わせを提案する。 このフレームワークはタスクとアクションの分離に依存しており、アクションはシンボル的タスクの幾何学的実現の可能な1つの可能性である。 ロボットアームと人間の作業員がモザイクを組み立てる共同製造シナリオにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-03-27T01:50:45Z)
• A distributed, plug-n-play algorithm for multi-robot applications with a priori non-computable objective functions [2.2452191187045383]
  マルチロボットアプリケーションでは、ミッションのユーザ定義の目的を一般的な最適化問題として当てはめることができる。 これらの問題には標準勾配の差分型アルゴリズムは適用できない。 本稿では,各ロボットのサブコスト関数を慎重に設計するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-14T20:40:00Z)
• Energy-Efficient Multi-Orchestrator Mobile Edge Learning [54.28419430315478]
  Mobile Edge Learning(MEL)は、エッジデバイス上で機械学習(ML)モデルの分散トレーニングを特徴とする、協調学習パラダイムである。 MELでは、異なるデータセットで複数の学習タスクが共存する可能性がある。 本稿では, エネルギー消費, 精度, 解複雑性のトレードオフを容易にする軽量なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-02T07:37:10Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。