論文の概要: A Lightweight Traffic Map for Efficient Anytime LaCAM*

• arxiv url: http://arxiv.org/abs/2603.07891v1
• Date: Mon, 09 Mar 2026 02:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.343399
• Title: A Lightweight Traffic Map for Efficient Anytime LaCAM*
• Title（参考訳）: リアルタイムLaCAMのための軽量交通マップ*
• Authors: Bojie Shen, Yue Zhang, Zhe Chen, Daniel Harabor,
• Abstract要約: MAPF (Multi-Agent Path Finding) は,複数エージェントに対する衝突のない経路の計算を目的とし,幅広い実用性を有する。 LaCAM*は、いつでも構成ベースの解決ツールで、現在、最先端の技術を表現している。 本稿では,LaCAM*の検索中に動的で軽量なトラフィックマップを構築する能力を活用した新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 13.871792180626045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-Agent Path Finding (MAPF) aims to compute collision-free paths for multiple agents and has a wide range of practical applications. LaCAM*, an anytime configuration-based solver, currently represents the state of the art. Recent work has explored the use of guidance paths to steer LaCAM* toward configurations that avoid traffic congestion, thereby improving solution quality. However, existing approaches rely on Frank-Wolfe-style optimization that repeatedly invokes single-agent search before executing LaCAM*, resulting in substantial computational overhead for large-scale problems. Moreover, the guidance path is static and primarily beneficial for finding the first solution in LaCAM*. To address these limitations, we propose a new approach that leverages LaCAM*'s ability to construct a dynamic, lightweight traffic map during its search. Experimental results demonstrate that our method achieves higher solution quality than state-of-the-art guidance-path approaches across two MAPF variants.
• Abstract（参考訳）: MAPF (Multi-Agent Path Finding) は,複数エージェントに対する衝突のない経路の計算を目的とし,幅広い実用性を有する。 LaCAM*は、いつでも構成ベースの解決ツールであり、現在最先端の技術を表している。 近年,交通渋滞を回避し,ソリューションの品質を向上させるため,LaCAM* の誘導経路の利用について検討している。 しかし、既存のアプローチは、LaCAM*を実行する前に繰り返し単一エージェント検索を実行するフランク・ウルフ方式の最適化に依存しており、大規模な問題に対してかなりの計算オーバーヘッドが生じる。 さらに、ガイダンスパスは静的であり、LaCAM*で最初のソリューションを見つけるのに、主に有益である。 これらの制約に対処するため、検索中に動的で軽量なトラフィックマップを構築するLaCAM*の能力を活用する新しいアプローチを提案する。 実験により,本手法はMAPFの2つの変種にまたがる最先端のガイダンスパスアプローチよりも高い解品質を実現することが示された。

関連論文リスト

• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Engineering LaCAM$^\ast$: Towards Real-Time, Large-Scale, and Near-Optimal Multi-Agent Pathfinding [12.02023514105999]
  本稿では,最近提案されたLaCAM*アルゴリズムの改良を通じて,リアルタイム,大規模,準最適マルチエージェントパスフィンディング(MAPF)の課題に対処する。 LaCAM*はスケーラブルな検索ベースのアルゴリズムであり、累積遷移コストに対する最適解の最終的な発見を保証する。
  論文  参考訳（メタデータ） (2023-08-08T14:36:58Z)
• Improving LaCAM for Scalable Eventually Optimal Multi-Agent Pathfinding [5.025654873456756]
  マルチエージェントパスフィンディング(MAPF)のための最近開発されたLaCAMアルゴリズムを拡張した。 LaCAMは、遅延後継生成を用いて計画作業を劇的に削減する、サブ最適検索ベースのアルゴリズムである。 我々は、LaCAM*と呼ばれる任意のバージョンを提案し、最終的にはオプティマに収束する。
  論文  参考訳（メタデータ） (2023-05-05T15:43:20Z)
• LaCAM: Search-Based Algorithm for Quick Multi-Agent Pathfinding [5.025654873456756]
  MAPF(LaCAM)の遅延制約付加探索という,マルチエージェントパスフィンディング(MAPF)のための新しい完全アルゴリズムを提案する。 LaCAMは2段階の検索を使って、何百ものエージェントでも素早くソリューションを見つける。 実験の結果,LaCAMは様々なシナリオにおいて最先端のMAPFアルゴリズムに匹敵する,あるいは優れることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T06:27:18Z)
• MOLE: Digging Tunnels Through Multimodal Multi-Objective Landscapes [0.0]
  局所的に効率的な(LE)集合は、しばしば局所探索のトラップと見なされるが、決定空間において孤立されることは滅多にない。 Multi-Objective Gradient Sliding Algorithm (MOGSA)は、これらの重ね合わせを利用するアルゴリズムの概念である。 我々は,MMMOO問題におけるLE集合を効率的にモデル化し,活用できる新しいアルゴリズムであるMulti-Objective Landscape Explorer (MOLE)を提案する。
  論文  参考訳（メタデータ） (2022-04-22T17:54:54Z)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)

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。