論文の概要: Lifelong Scalable Multi-Agent Realistic Testbed and A Comprehensive Study on Design Choices in Lifelong AGV Fleet Management Systems

• arxiv url: http://arxiv.org/abs/2602.15721v1
• Date: Tue, 17 Feb 2026 16:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.131751
• Title: Lifelong Scalable Multi-Agent Realistic Testbed and A Comprehensive Study on Design Choices in Lifelong AGV Fleet Management Systems
• Title（参考訳）: 生涯拡張性多エージェント実力テストベッドと生涯AGVフリート管理システムの設計選択に関する総合的研究
• Authors: Jingtian Yan, Yulun Zhang, Zhenting Liu, Han Zhang, He Jiang, Jingkai Chen, Stephen F. Smith, Jiaoyang Li,
• Abstract要約: We present Lifelong Scalable Multi-Agent Realistic Testbed (L), a Open-Agent Path Finding (MAPF) in a Fleet Management System (FMS) with Automated Guided Vehicles (AGVs)。 MAPFは、エージェントのグループを対応する開始地点から目標に移動させることを目的としている。ライフロングMAPF(LMAPF)は、エージェントが到達するための新しい目標を継続的に割り当てるMAPFの変種である。 自律倉庫のようなLMAPFアプリケーションは、通常AGVなどのロボット群の動きを調整するために、集中的な寿命のシステムを必要とすることが多い。
• 参考スコア（独自算出の注目度）: 28.133146953693814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Lifelong Scalable Multi-Agent Realistic Testbed (LSMART), an open-source simulator to evaluate any Multi-Agent Path Finding (MAPF) algorithm in a Fleet Management System (FMS) with Automated Guided Vehicles (AGVs). MAPF aims to move a group of agents from their corresponding starting locations to their goals. Lifelong MAPF (LMAPF) is a variant of MAPF that continuously assigns new goals for agents to reach. LMAPF applications, such as autonomous warehouses, often require a centralized, lifelong system to coordinate the movement of a fleet of robots, typically AGVs. However, existing works on MAPF and LMAPF often assume simplified kinodynamic models, such as pebble motion, as well as perfect execution and communication for AGVs. Prior work has presented SMART, a software capable of evaluating any MAPF algorithms while considering agent kinodynamics, communication delays, and execution uncertainties. However, SMART is designed for MAPF, not LMAPF. Generalizing SMART to an FMS requires many more design choices. First, an FMS parallelizes planning and execution, raising the question of when to plan. Second, given planners with varying optimality and differing agent-model assumptions, one must decide how to plan. Third, when the planner fails to return valid solutions, the system must determine how to recover. In this paper, we first present LSMART, an open-source simulator that incorporates all these considerations to evaluate any MAPF algorithms in an FMS. We then provide experiment results based on state-of-the-art methods for each design choice, offering guidance on how to effectively design centralized lifelong AGV Fleet Management Systems. LSMART is available at https://smart-mapf.github.io/lifelong-smart.
• Abstract（参考訳）: 自動誘導車両を用いたFMS(Fleet Management System)におけるMAPF(Multi-Agent Path Finding)アルゴリズムの評価を行うオープンソースシミュレータLSMART(Lifelong Scalable Multi-Agent Realistic Testbed)を提案する。 MAPFは、エージェントのグループを対応する開始地点から目標に移動させることを目的としている。 Lifelong MAPF (LMAPF) はMAPFの変種であり、エージェントが到達するための新しい目標を継続的に割り当てる。 自律倉庫のようなLMAPFアプリケーションは、通常AGVなどのロボット群の動きを調整するために、集中的な寿命のシステムを必要とすることが多い。 しかしながら、MAPFとLMAPFに関する既存の研究は、小石の動きのような単純化されたキノダイナミクスモデルやAGVの完全な実行と通信を前提としていることが多い。 SMARTは、エージェントキノダイナミックス、通信遅延、実行の不確実性を考慮してMAPFアルゴリズムを評価できるソフトウェアである。 しかしSMARTはLMAPFではなくMAPF用に設計されている。 SMARTをFMSに一般化するには、多くの設計上の選択が必要である。 まず、FMSは計画と実行を並列化し、いつ計画するべきかという疑問を提起する。 第二に、最適性と異なるエージェントモデル仮定を持つプランナーが与えられた場合、計画方法を決定する必要がある。 第三に、プランナーが有効なソリューションを返さない場合、システムは回復方法を決定する必要がある。 本稿では,FMSにおけるMAPFアルゴリズムを評価するために,これらすべての考察を組み込んだオープンソースシミュレータLSMARTについて紹介する。 次に、各設計選択のための最先端手法に基づく実験結果を提供し、集中型寿命のAGVフリート管理システムを効果的に設計する方法に関するガイダンスを提供する。 LSMARTはhttps://smart-mapf.github.io/lifelong-smart.comで利用可能である。

関連論文リスト

• Bridging Planning and Execution: Multi-Agent Path Finding Under Real-World Deadlines [9.228609005424348]
  時間に敏感なアプリケーションのための実行インフォームドMAPF計画フレームワークであるREMAPを提案する。 我々のフレームワークは提案したExecTimeNetを統合し、計画されたパスに基づいて実行時間を正確に推定する。 実験の結果、REMAPはベースライン法よりもソリューション品質を最大20%改善することがわかった。
  論文  参考訳（メタデータ） (2025-11-26T20:08:52Z)
• Advancing Learnable Multi-Agent Pathfinding Solvers with Active Fine-Tuning [46.35418789518417]
  マルチエージェントパスフィンディング(MAPF)は、マルチロボット軌道計画問題の共通の抽象化である。 本稿では,機械学習を活用した分散化サブ最適化MAPFソルバMAPF-GPT-DDGを紹介する。 本実験は,MAPF-GPT-DDGが既存の学習型MAPF解法を超えることを示した。
  論文  参考訳（メタデータ） (2025-06-30T12:34:31Z)
• Advancing MAPF towards the Real World: A Scalable Multi-Agent Realistic Testbed (SMART) [43.65963311686948]
  Scalable Multi-Agent Realistic Testbed (SMART)は、マルチエージェントパス探索(MAPF)アルゴリズムを評価するための、現実的で効率的なソフトウェアツールである。 SMARTは物理工学に基づくシミュレータを使って現実的なシミュレーション環境を作り、ロボットのキノダイナミックスや実行の不確実性のような複雑な現実世界の要因を考慮に入れている。
  論文  参考訳（メタデータ） (2025-03-03T05:26:59Z)
• Transient Multi-Agent Path Finding for Lifelong Navigation in Dense Environments [9.000023855628958]
  ライフロングMAPF(英: Lifelong MAPF、LMAPF)は、エージェントが現在のターゲットに到達すると新たなターゲットを受信するMAPFのオンライン版である。 そこで本研究では,LMAPF問題に対して,各エージェントが最終的にターゲットを訪問することを目的とした修正MAPF問題の系列を解くことで,LMAPF問題を解くことを提案する。 本稿では、このMAPF変種をTransient MAPF (TMAPF) と呼び、既存のMAPFアルゴリズムに基づいたいくつかのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-05T15:37:29Z)
• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• Decentralized Monte Carlo Tree Search for Partially Observable Multi-agent Pathfinding [49.730902939565986]
  マルチエージェントパスフィンディング問題は、グラフに閉じ込められたエージェントのグループに対するコンフリクトフリーパスのセットを見つけることである。 本研究では、エージェントが他のエージェントをローカルにのみ観察できる分散MAPF設定に焦点を当てた。 MAPFタスクのための分散マルチエージェントモンテカルロ木探索法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T06:57:22Z)
• POGEMA: Partially Observable Grid Environment for Multiple Agents [64.88759709443819]
  POGEMAは、部分的に観測可能なマルチエージェントパスフィンディング(PO-MAPF)問題に挑戦するためのサンドボックスである。 様々なPO-MAPFに合わせることができ、プランニングと学習のための優れた試験場として機能する。
  論文  参考訳（メタデータ） (2022-06-22T09:39:50Z)
• A Feedback Scheme to Reorder a Multi-Agent Execution Schedule by Persistently Optimizing a Switchable Action Dependency Graph [65.70656676650391]
  複数の自動誘導車両 (AGV) が共通作業空間をナビゲートし, 様々な作業を行う。 一つのアプローチは、Action Dependency Graph (ADG)を構築し、そのルートに沿って進むとAGVの順序を符号化する。 ワークスペースが人間やサードパーティロボットのような動的障害によって共有されている場合、AGVは大きな遅延を経験することができる。 本稿では,各AGVの経路完了時間を最小限に抑えるために,非循環ADGを繰り返し修正するオンライン手法を提案する。
  論文  参考訳（メタデータ） (2020-10-11T14:39:50Z)

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。