論文の概要: Conflict Mitigation in Shared Environments using Flow-Aware Multi-Agent Path Finding

• arxiv url: http://arxiv.org/abs/2603.12736v1
• Date: Fri, 13 Mar 2026 07:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.750126
• Title: Conflict Mitigation in Shared Environments using Flow-Aware Multi-Agent Path Finding
• Title（参考訳）: Flow-Aware Multi-Agent Path Finding を用いた共有環境における衝突軽減
• Authors: Lukas Heuer, Yufei Zhu, Luigi Palmieri, Andrey Rudenko, Anna Mannucci, Sven Koenig, Martin Magnusson,
• Abstract要約: Flow-Aware Multi-Agent Path Finding (FA-MAPF)は、制御不能エージェントの学習された動作パターンを集中MAPFアルゴリズムに統合する新しいフレームワークである。 その結果、FA-MAPFは、タスク効率を損なうことなく、制御不能なエージェントとの競合を最大55%減らすことができることがわかった。
• 参考スコア（独自算出の注目度）: 18.494688528497505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying multi-robot systems in environments shared with dynamic and uncontrollable agents presents significant challenges, especially for large robot fleets. In such environments, individual robot operations can be delayed due to unforeseen conflicts with uncontrollable agents. While existing research primarily focuses on preserving the completeness of Multi-Agent Path Finding (MAPF) solutions considering delays, there is limited emphasis on utilizing additional environmental information to enhance solution quality in the presence of other dynamic agents. To this end, we propose Flow-Aware Multi-Agent Path Finding (FA-MAPF), a novel framework that integrates learned motion patterns of uncontrollable agents into centralized MAPF algorithms. Our evaluation, conducted on a diverse set of benchmark maps with simulated uncontrollable agents and on a real-world map with recorded human trajectories, demonstrates the effectiveness of FA-MAPF compared to state-of-the-art baselines. The experimental results show that FA-MAPF can consistently reduce conflicts with uncontrollable agents, up to 55%, without compromising task efficiency.
• Abstract（参考訳）: 動的で制御不能なエージェントと共有する環境でマルチロボットシステムをデプロイすることは、特に大型ロボット群にとって大きな課題となる。 このような環境では、制御不能なエージェントとの予期せぬ衝突のために、個々のロボット操作を遅らせることができる。 既存の研究は主に遅延を考慮したマルチエージェントパス探索(MAPF)ソリューションの完全性を維持することに焦点を当てているが、他の動的エージェントの存在下でのソリューション品質を高めるために、追加の環境情報を活用することに注力している。 この目的のために,制御不能エージェントの学習動作パターンを集中MAPFアルゴリズムに統合する新しいフレームワークであるFlow-Aware Multi-Agent Path Finding (FA-MAPF)を提案する。 シミュレーション不可能なエージェントを用いた多様なベンチマークマップと記録された人間の軌跡を用いた実世界地図を用いて, FA-MAPFの有効性を, 最先端のベースラインと比較して実証した。 実験の結果,FA-MAPFはタスク効率を損なうことなく,制御不能なエージェントとの競合を最大55%減らすことができた。

関連論文リスト

• Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
  マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。 離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。 本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
  論文  参考訳（メタデータ） (2025-08-27T17:59:36Z)
• SIGMA: Sheaf-Informed Geometric Multi-Agent Pathfinding [11.38008343729117]
  多エージェントパス探索問題は、大規模物流および輸送におけるロボット展開における中核的な課題である。 分散化深層学習にせん断理論を適用した新しい枠組みを導入する。 提案手法は、最先端の学習ベースMAPFプランナよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2025-02-10T13:17:34Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• R-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models [50.19174067263255]
  我々は、エージェントがスパース・リワード、継続的なアクション、ゴールベースのロボット制御POMDP環境においてエクササイズするのを助けるために、事前の選好学習手法と自己修正スケジュールを導入する。 我々のエージェントは、累積報酬、相対安定性、成功率の観点から、最先端モデルよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-09-21T18:32:44Z)
• Caution for the Environment: Multimodal LLM Agents are Susceptible to Environmental Distractions [50.5976989558411]
  本稿では,GUI環境におけるマルチモーダル大規模言語モデル(MLLM)エージェントの忠実さについて検討する。 ユーザとエージェントの両方が良性であり、環境は悪質ではないが、無関係なコンテンツを含んでいる、という一般的なシナリオが提案されている。 実験結果から、ジェネラリストエージェントや専門的なGUIエージェントなど、最も強力なモデルでさえ、気晴らしの影響を受けやすいことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-05T15:16:22Z)
• Optimizing Crowd-Aware Multi-Agent Path Finding through Local Communication with Graph Neural Networks [15.88107215224685]
  混在環境におけるマルチエージェントパス探索 (MAPF) は, 移動計画において困難な問題となる。 本稿では,この問題を解決するために,クラウド対応の分散強化学習手法であるCRAMPを紹介する。 CRAMPは, メースパンと衝突数で測定された溶液品質を最大59%改善し, 従来の方法と比較して最大35%改善した。
  論文  参考訳（メタデータ） (2023-09-19T03:02:43Z)
• Multi-Agent Terraforming: Efficient Multi-Agent Path Finding via Environment Manipulation [12.401344261399613]
  マルチエージェントパスフィニング(Multi-agent pathfinding)は、障害が散らばった環境において、開始時から目標地点まで、エージェントのチームが衝突のない経路を計画することに関心がある。 我々はMAPFの新たな拡張を導入し、Terraforming MAPF (tMAPF) と呼び、いくつかのエージェントが障害を移動して他のエージェントへの道をクリアする役割を担っている。 我々は、tMAPFに取り組むために、CBSとPBSという2つの最先端アルゴリズムを拡張し、静的な障害物設定で可能な限り優れた解を常に上回ることを示す。
  論文  参考訳（メタデータ） (2022-03-20T12:18:35Z)

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。