論文の概要: UrbanHuRo: A Two-Layer Human-Robot Collaboration Framework for the Joint Optimization of Heterogeneous Urban Services
- arxiv url: http://arxiv.org/abs/2603.03701v1
- Date: Wed, 04 Mar 2026 04:02:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.175913
- Title: UrbanHuRo: A Two-Layer Human-Robot Collaboration Framework for the Joint Optimization of Heterogeneous Urban Services
- Title（参考訳）: UrbanHuRo:異種都市サービスの共同最適化のための2層人間ロボット協調フレームワーク
- Authors: Tonmoy Dey, Lin Jiang, Zheng Dong, Guang Wang,
- Abstract要約: UrbanHuRoは異種都市サービスの共同最適化のための2層人間ロボット協調フレームワークである。
感度を29.7%改善し、クーリエ収入を39.2%改善している。
- 参考スコア（独自算出の注目度）: 6.45675824901337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the vision of smart cities, technologies are being developed to enhance the efficiency of urban services and improve residents' quality of life. However, most existing research focuses on optimizing individual services in isolation, without adequately considering reciprocal interactions among heterogeneous urban services that could yield higher efficiency and improved resource utilization. For example, human couriers could collect traffic and air quality data along their delivery routes, while sensing robots could assist with on-demand delivery during peak hours, enhancing both sensing coverage and delivery efficiency. However, the joint optimization of different urban services is challenging due to potentially conflicting objectives and the need for real-time coordination in dynamic environments. In this paper, we propose UrbanHuRo, a two-layer human-robot collaboration framework for joint optimization of heterogeneous urban services, demonstrated through crowdsourced delivery and urban sensing. UrbanHuRo includes two key designs: (i) a scalable distributed MapReduce-based K-submodular maximization module for efficient order dispatch, and (ii) a deep submodular reward reinforcement learning algorithm for sensing route planning. Experimental evaluations on real-world datasets from a food delivery platform demonstrate that UrbanHuRo improves sensing coverage by 29.7% and courier income by 39.2% on average in most settings, while also significantly reducing the number of overdue orders.
- Abstract（参考訳）: スマートシティのビジョンでは、都市サービスの効率を高め、住民の生活の質を向上させる技術が開発されている。
しかし、既存の研究は、効率の向上と資源利用の向上が可能な異種都市サービス間の相互相互作用を適切に考慮することなく、個別サービスを単独で最適化することに焦点を当てている。
例えば、人間の宅配業者は配達ルートに沿って交通や空気の質のデータを収集でき、センシングロボットはピーク時のオンデマンド配送を補助し、検知カバレッジと配送効率の両方を向上させることができる。
しかし,異なる都市サービスの共同最適化は,潜在的に相反する目標と動的環境におけるリアルタイム調整の必要性のために困難である。
本稿では,クラウドソース配信と都市センシングによって実証された異種都市サービスの共同最適化のための2層人間ロボット協調フレームワークであるUrbanHuRoを提案する。
UrbanHuRoには2つの重要なデザインがある。
(i) 効率的なオーダーディスパッチのためのスケーラブルな分散MapReduceベースのKサブモジュラー最大化モジュール、及び
(II)経路計画検出のための深層部分モジュラー報酬強化学習アルゴリズム。
フードデリバリープラットフォームによる実世界のデータセットに関する実験的評価によると、UrbanHuRoは、ほとんどの設定において平均して29.7%、クーリエ収入を39.2%改善し、過度な注文数を大幅に削減している。
関連論文リスト
- MoDE-Boost: Boosting Shared Mobility Demand with Edge-Ready Prediction Models [0.688204255655161]
交通需要予測は、出現する空間的および時間的需要パターンを特定するための重要な中間指標となる。
そこで本研究では, 階層化モデルと回帰モデルという2つのモデルバリエーションを提案し, それぞれが時間的水平方向の需要予測を生成できることを示した。
我々の全体的なアプローチは、時間的特徴と文脈的特徴を効果的に統合し、正確な予測を可能にします。
論文 参考訳（メタデータ） (2026-02-18T16:18:13Z) - UrbanMoE: A Sparse Multi-Modal Mixture-of-Experts Framework for Multi-Task Urban Region Profiling [47.568568425459716]
我々は,マルチタスク都市域プロファイリングのベンチマークを開発し,マルチモーダルな特徴と強力なベースラインの多種多様なセットを特徴とする。
次に,マルチタスクの課題を解決するために構築された,最初のスパースなマルチモーダル・マルチエキスパートフレームワークであるUrbanMoEを提案する。
ベンチマークでは,UrbanMoEがすべてのベースラインに対して常に優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-01-30T09:25:05Z) - Learning-Assisted Multi-Operator Variable Neighborhood Search for Urban Cable Routing [9.950053306881125]
都市電力グリッドの信頼性を高めるためには,都市地下ケーブルの建設が不可欠である。
道路レイアウトは、都市環境におけるケーブルのルーティングを厳しく制限する。
本稿では,L-MVNSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-12-22T12:13:59Z) - Urban-R1: Reinforced MLLMs Mitigate Geospatial Biases for Urban General Intelligence [64.36291202666212]
アーバン・ジェネラル・インテリジェンス(UGI)とは、複雑な都市環境を理解し、推論できるAIシステムである。
近年, LLM と MLLM の教師付き微調整 (SFT) を用いた都市基盤モデルの構築が進められている。
MLLMをUGIの目的と整合させる強化学習に基づくポストトレーニングフレームワークであるUrban-R1を提案する。
論文 参考訳（メタデータ） (2025-10-18T15:59:09Z) - Towards Autonomous Micromobility through Scalable Urban Simulation [52.749987132021324]
現在のマイクロモビリティは、主に人手操作(対人・遠隔操作)に依存している。
本研究では,自律型マイクロモビリティを実現するため,スケーラブルな都市シミュレーションソリューションを提案する。
論文 参考訳（メタデータ） (2025-05-01T17:52:29Z) - Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。
このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。
本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文 参考訳（メタデータ） (2025-02-17T03:05:20Z) - Multi-objective Optimal Roadside Units Deployment in Urban Vehicular Networks [7.951541004150428]
都市車両網では,交通効率,安全,関連サービスの重要性が増している。
このようなネットワーク内では、道路側ユニット(RSU)が通信を容易にする中間体として機能する。
都市環境においては、建物、庭園、湖沼、その他のインフラなど様々な障害が存在することが、RSUの展開に課題を提起している。
論文 参考訳（メタデータ） (2024-01-14T05:02:12Z) - Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳（メタデータ） (2023-09-26T23:55:39Z) - Vehicle Dispatching and Routing of On-Demand Intercity Ride-Pooling Services: A Multi-Agent Hierarchical Reinforcement Learning Approach [4.44413304473005]
都市間配車サービスは、従来の都市間バスサービスをアップグレードする大きな可能性を秘めている。
オンラインオペレーションは、都市間の車両資源配分とプールドライド車両ルーティングの結合により、固有の複雑さに悩まされている。
本研究では,オンラインフリート管理を容易にするための2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-13T13:31:01Z) - Automated Urban Planning aware Spatial Hierarchies and Human
Instructions [33.06221365923015]
本稿では,GAN(Generative Adversarial Network)に基づく都市プランナを提案する。
GANは人間の指示や周囲の文脈からの情報に基づいて都市機能ゾーンを構築する。
作業の有効性を検証するため、広範な実験を行います。
論文 参考訳（メタデータ） (2022-09-26T20:37:02Z) - Value Function is All You Need: A Unified Learning Framework for Ride
Hailing Platforms [57.21078336887961]
DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。
両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
論文 参考訳（メタデータ） (2021-05-18T19:22:24Z)
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。