論文の概要: Multi-Agent Monte Carlo Tree Search for Makespan-Efficient Object Rearrangement in Cluttered Spaces

• arxiv url: http://arxiv.org/abs/2602.02411v1
• Date: Mon, 02 Feb 2026 18:10:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.097788
• Title: Multi-Agent Monte Carlo Tree Search for Makespan-Efficient Object Rearrangement in Cluttered Spaces
• Title（参考訳）: マルチエージェントモンテカルロ木探索によるクラッタ空間におけるマインスパン効率の良い物体再構成
• Authors: Hanwen Ren, Junyong Kim, Aathman Tharmasanthiran, Ahmed H. Qureshi,
• Abstract要約: 本項で紹介する。 Asynchronous, Multi-agent Monte Carlo Tree Search (CAM-MCTS) - 新しいフレームワーク。 挑戦的環境における汎用メイスパン効率のオブジェクト計画。 CAM-MCTSは, 粗い環境下での多種多様な単調タスクと非単調タスクにまたがって評価し, 強いベースラインと比較して, メイスパンが一貫した減少を示す。
• 参考スコア（独自算出の注目度）: 17.569349375085203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object rearrangement planning in complex, cluttered environments is a common challenge in warehouses, households, and rescue sites. Prior studies largely address monotone instances, whereas real-world tasks are often non-monotone-objects block one another and must be temporarily relocated to intermediate positions before reaching their final goals. In such settings, effective multi-agent collaboration can substantially reduce the time required to complete tasks. This paper introduces Centralized, Asynchronous, Multi-agent Monte Carlo Tree Search (CAM-MCTS), a novel framework for general-purpose makespan-efficient object rearrangement planning in challenging environments. CAM-MCTS combines centralized task assignment-where agents remain aware of each other's intended actions to facilitate globally optimized planning-with an asynchronous task execution strategy that enables agents to take on new tasks at appropriate time steps, rather than waiting for others, guided by a one-step look-ahead cost estimate. This design minimizes idle time, prevents unnecessary synchronization delays, and enhances overall system efficiency. We evaluate CAM-MCTS across a diverse set of monotone and non-monotone tasks in cluttered environments, demonstrating consistent reductions in makespan compared to strong baselines. Finally, we validate our approach on a real-world multi-agent system under different configurations, further confirming its effectiveness and robustness.
• Abstract（参考訳）: 複雑で散らばった環境でのオブジェクトの配置計画は、倉庫、家、救助現場で一般的な課題である。 先行研究は、主に単調な例に対処するが、現実のタスクはしばしば非単調な対象が互いにブロックされ、最終ゴールに達する前に一時的に中間位置に移動しなければならない。 このような設定では、効果的なマルチエージェントコラボレーションはタスクを完了するのに要する時間を大幅に削減することができる。 本稿では,CAM-MCTS(Centralized, Asynchronous, Multi-agent Monte Carlo Tree Search)を提案する。 CAM-MCTSは、中央集権的なタスク割り当て - エージェントは、グローバルに最適化された計画を促進するために、互いに意図したアクションを意識している - 非同期タスク実行戦略により、エージェントは、1ステップのルックアヘッドコスト見積によってガイドされる、他のエージェントを待つのではなく、適切な時間ステップで新しいタスクを実行することができる。 この設計はアイドル時間を最小化し、不要な同期遅延を防止し、システム全体の効率を向上させる。 CAM-MCTSは, 粗い環境下での多種多様な単調タスクと非単調タスクにまたがって評価し, 強いベースラインと比較して, メイスパンが一貫した減少を示す。 最後に,異なる構成で実世界のマルチエージェントシステムに対するアプローチを検証し,その有効性と堅牢性を確認した。

関連論文リスト

• Model Merging in the Essential Subspace [78.5390284258307]
  モデルマージは、複数のタスク固有の細調整されたモデルを、追加のトレーニングなしで単一のマルチタスクモデルに統合することを目的としている。 広範囲の研究にもかかわらず、タスク干渉は依然として大きな障害であり、しばしば統合されたモデルの性能を損なう。 効率的なモデルマージのための堅牢なフレームワークであるESM(Essential Subspace Merging)を提案する。
  論文  参考訳（メタデータ） (2026-02-23T00:33:38Z)
• Integrating Diverse Assignment Strategies into DETRs [61.61489761918158]
  ラベル割り当ては、特にDETRスタイルのフレームワークにおいて、オブジェクト検出器において重要なコンポーネントである。 我々は,任意のDETR型検出器に多様な割り当て戦略をシームレスに統合する,フレキシブルで軽量なフレームワークであるLoRA-DETRを提案する。
  論文  参考訳（メタデータ） (2026-01-14T07:28:54Z)
• ParaCook: On Time-Efficient Planning for Multi-Agent Systems [62.471032881396496]
  大規模言語モデル(LLM)は、長期の現実世界のタスクを計画するための強力な推論能力を示す。 時間効率の協調計画のためのベンチマークであるParaCookを紹介する。
  論文  参考訳（メタデータ） (2025-10-13T16:47:07Z)
• Optimizing Sequential Multi-Step Tasks with Parallel LLM Agents [15.26802977779826]
  M1-Parallelは、異なるソリューションパスを明らかにするために、複数のマルチエージェントチームを並行して実行するフレームワークである。 早期終端を持つM1-Parallelは精度を保ちながら最大2.2倍のスピードアップを達成することを示す。 さらに,多種多様な実行計画を奨励する戦略についても検討するが,反復サンプリングによる追加的なパフォーマンス向上は見つからない。
  論文  参考訳（メタデータ） (2025-07-11T18:09:22Z)
• 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)
• TDAG: A Multi-Agent Framework based on Dynamic Task Decomposition and Agent Generation [41.21899915378596]
  動的タスク分解・エージェント生成(TDAG)に基づくマルチエージェントフレームワークを提案する。 このフレームワークは複雑なタスクを小さなサブタスクに動的に分解し、それぞれが特定の生成されたサブエージェントに割り当てる。 ItineraryBenchは、さまざまな複雑さのタスク間でのメモリ、計画、ツール使用量のエージェントの能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-02-15T18:27:37Z)
• 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)
• 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)
• 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。