論文の概要: Precomputing Multi-Agent Path Replanning using Temporal Flexibility: A Case Study on the Dutch Railway Network
- arxiv url: http://arxiv.org/abs/2601.04884v1
- Date: Thu, 08 Jan 2026 12:30:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 17:01:53.198061
- Title: Precomputing Multi-Agent Path Replanning using Temporal Flexibility: A Case Study on the Dutch Railway Network
- Title（参考訳）: 時間的フレキシビリティを用いたマルチエージェント経路計画の事前計算:オランダ鉄道網を事例として
- Authors: Issa Hanou, Eric Kemmeren, Devin Wild Thomas, Mathijs de Weerdt,
- Abstract要約: カスケード遅延を回避しつつ、他のエージェントの時間的柔軟性を追跡・利用することで効率的に再計画する方法を示す。
私たちのアルゴリズムであるFlexSIPPは、遅延エージェントの可能なすべてのプランをプリ計算し、与えられたシナリオ内の任意の単一エージェント遅延に対して、他のエージェントの変更を返します。
オランダの高密度鉄道網における列車の運行計画に関する実例として,本手法を実証した。
- 参考スコア（独自算出の注目度）: 4.217343824099138
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Executing a multi-agent plan can be challenging when an agent is delayed, because this typically creates conflicts with other agents. So, we need to quickly find a new safe plan. Replanning only the delayed agent often does not result in an efficient plan, and sometimes cannot even yield a feasible plan. On the other hand, replanning other agents may lead to a cascade of changes and delays. We show how to efficiently replan by tracking and using the temporal flexibility of other agents while avoiding cascading delays. This flexibility is the maximum delay an agent can take without changing the order of or further delaying more agents. Our algorithm, FlexSIPP, precomputes all possible plans for the delayed agent, also returning the changes for the other agents, for any single-agent delay within the given scenario. We demonstrate our method in a real-world case study of replanning trains in the densely-used Dutch railway network. Our experiments show that FlexSIPP provides effective solutions, relevant to real-world adjustments, and within a reasonable timeframe.
- Abstract（参考訳）: エージェントが遅延した場合、通常は他のエージェントとの競合が発生するため、マルチエージェントプランの実行は困難である。
ですから私たちは,新たな安全な計画を見つける必要があります。
遅延エージェントのみをリプランすることは、しばしば効率的な計画にならず、時には実現可能な計画も得られない。
一方、他のエージェントをリプランすることは、変更や遅延のカスケードにつながる可能性がある。
カスケード遅延を回避しつつ、他のエージェントの時間的柔軟性を追跡・利用することで効率的に再計画する方法を示す。
この柔軟性は、エージェントの順序を変更したり、それ以上のエージェントを遅延させることなく、エージェントが取ることができる最大遅延である。
私たちのアルゴリズムであるFlexSIPPは、遅延エージェントの可能なすべてのプランをプリ計算し、与えられたシナリオ内の任意の単一エージェント遅延に対して、他のエージェントの変更を返します。
オランダの高密度鉄道網における列車の運行計画に関する実例として,本手法を実証した。
実験の結果,FlexSIPPは実世界の調整や適切な時間枠内で有効なソリューションを提供することがわかった。
関連論文リスト
- When Agents Break Down in Multiagent Path Finding [0.0]
我々は、一部のエージェントが誤動作による遅延を経験するシナリオを形式的にモデル化する新しい変種を導入する。
本稿では,完全な計画変更に依存しない動的スケジュール適応のためのフレームワークを提案する。
第一の通信プロトコルに従えば、k の誤動作後のメイスパンの増加は k の余分な回転によって制限されることを示す。
論文 参考訳（メタデータ） (2025-08-05T12:59:30Z) - Adaptive Reinforcement Learning for Unobservable Random Delays [46.04329493317009]
本稿では,エージェントが観測不能かつ時間変化の遅れを適応的に処理できる汎用フレームワークを提案する。
具体的には、エージェントは予測不可能な遅延とネットワーク越しに送信される失われたアクションパケットの両方を処理するために、将来のアクションのマトリックスを生成する。
提案手法は,幅広いベンチマーク環境において,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2025-06-17T11:11:37Z) - Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。
本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。
大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
論文 参考訳（メタデータ） (2024-10-03T04:07:51Z) - KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents [52.34892973785117]
大規模言語モデル(LLM)は複雑な推論タスクにおいて大きな可能性を証明していますが、より高度な課題に取り組むには不十分です。
この不適切さは、主に言語エージェントのアクション知識が組み込まれていないことに起因する。
我々は、明示的な行動知識を取り入れることで、LLMの計画能力を高めるために設計された新しいアプローチであるKnowAgentを紹介する。
論文 参考訳（メタデータ） (2024-03-05T16:39:12Z) - Robust Multi-Agent Pickup and Delivery with Delays [5.287544737925232]
MAPD(Multi-Agent Pickup and Delivery)は、エージェント群に対する衝突のない経路の計算の問題である。
MAPDの現在のアルゴリズムは、実際のアプリケーションで遭遇する現実的な問題の多くを考慮していない。
本稿では,不完全な実行の影響を抑える計画経路によって堅牢性を保証する2つの手法を提案する。
論文 参考訳（メタデータ） (2023-03-30T14:42:41Z) - Fault-Tolerant Offline Multi-Agent Path Planning [5.025654873456756]
本研究では,複数のエージェントが実行時にクラッシュする可能性のある新しいグラフパス計画問題について検討し,ワークスペースの一部をブロックする。
我々の設定では、エージェントは隣のクラッシュしたエージェントを検出し、実行時に後続のパスを変更することができる。その目的は、各エージェントに対して一連のパスを作成し、ルールを切り替えることであり、すべての正しいエージェントが衝突やデッドロックなしで目的地に到達することを保証することである。
論文 参考訳（メタデータ） (2022-11-25T05:58:32Z) - Coach-assisted Multi-Agent Reinforcement Learning Framework for
Unexpected Crashed Agents [120.91291581594773]
本稿では,予期せぬクラッシュを伴う協調型マルチエージェント強化学習システムの公式な定式化について述べる。
本稿では,教師支援型多エージェント強化学習フレームワークを提案する。
私たちの知る限りでは、この研究はマルチエージェントシステムにおける予期せぬクラッシュを初めて研究したものです。
論文 参考訳（メタデータ） (2022-03-16T08:22:45Z) - Multi-Agent Online Optimization with Delays: Asynchronicity, Adaptivity,
and Optimism [33.116006446428756]
遅延と非同期性を考慮したマルチエージェントオンライン学習問題の研究を行った。
エージェントレベルとネットワークレベルの両方で、最適な後悔の境界を持つ適応学習戦略を導き出します。
論文 参考訳（メタデータ） (2020-12-21T18:55:55Z)
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。