Fugu-MT 論文翻訳(概要): AgentComm-Bench: Stress-Testing Cooperative Embodied AI Under Latency, Packet Loss, and Bandwidth Collapse

論文の概要: AgentComm-Bench: Stress-Testing Cooperative Embodied AI Under Latency, Packet Loss, and Bandwidth Collapse

arxiv url: http://arxiv.org/abs/2603.20285v1
Date: Wed, 18 Mar 2026 07:45:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:38.802169
Title: AgentComm-Bench: Stress-Testing Cooperative Embodied AI Under Latency, Packet Loss, and Bandwidth Collapse
Title（参考訳）: AgentComm-Bench: レイテンシ、パケット損失、バンド幅崩壊下でのストレステスト協調体操AI
Authors: Aayam Bansal, Ishaan Gangwani,
Abstract要約: 我々は,協調体AIのためのベンチマークスイートと評価プロトコルであるAgentComm-Benchを紹介する。我々は、レイテンシ、パケット損失、帯域幅の崩壊、古いメモリの6つのコミュニケーション障害次元下での協調AIのストレステストを行う。実験の結果,コミュニケーション依存タスクは破滅的に低下することがわかった。我々は、複数の障害条件下での協調実施型AI作業報告のパフォーマンスを推奨する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cooperative multi-agent methods for embodied AI are almost universally evaluated under idealized communication: zero latency, no packet loss, and unlimited bandwidth. Real-world deployment on robots with wireless links, autonomous vehicles on congested networks, or drone swarms in contested spectrum offers no such guarantees. We introduce AgentComm-Bench, a benchmark suite and evaluation protocol that systematically stress-tests cooperative embodied AI under six communication impairment dimensions: latency, packet loss, bandwidth collapse, asynchronous updates, stale memory, and conflicting sensor evidence. AgentComm-Bench spans three task families: cooperative perception, multi-agent waypoint navigation, and cooperative zone search, and evaluates five communication strategies, including a lightweight method we propose based on redundant message coding with staleness-aware fusion. Our experiments reveal that communication-dependent tasks degrade catastrophically: stale memory and bandwidth collapse cause over 96% performance drops in navigation, while content corruption (stale or conflicting data) reduces perception F1 by over 85%. Vulnerability depends on the interaction between impairment type and task design; perception fusion is robust to packet loss but amplifies corrupted data. Redundant message coding more than doubles navigation performance under 80% packet loss. We release AgentComm-Bench as a practical evaluation protocol and recommend that cooperative embodied AI work report performance under multiple impairment conditions.
Abstract（参考訳）: 組込みAIのための協調的マルチエージェント手法は、ほぼ普遍的に、ゼロレイテンシー、パケットロスなし、帯域幅無制限の理想的な通信の下で評価される。ワイヤレスリンクのあるロボットや、渋滞したネットワーク上の自動運転車、あるいは競合するスペクトルのドローン群への実際の展開は、そのような保証を提供していない。我々はAgentComm-Benchというベンチマークスイートと評価プロトコルを導入し、レイテンシ、パケット損失、帯域の崩壊、非同期更新、古いメモリ、競合するセンサエビデンスという6つのコミュニケーション障害次元下で、協調的実施中のAIを体系的にストレステストする。 AgentComm-Benchは、協調認識、マルチエージェント・ウェイポイントナビゲーション、協調ゾーン探索の3つのタスクファミリーにまたがる。我々の実験によると、通信依存タスクは破滅的に劣化し、古いメモリと帯域幅の崩壊はナビゲーションの96%以上のパフォーマンス低下を引き起こすが、コンテンツ劣化(静的または矛盾するデータ)はF1の知覚を85%以上減少させる。脆弱性は障害型とタスク設計の間の相互作用に依存し、知覚融合はパケット損失に対して堅牢であるが、破損したデータを増幅する。冗長メッセージコーディングは、80%のパケットロスでナビゲーション性能を2倍以上に向上させる。我々は,AgentComm-Benchを実用的な評価プロトコルとしてリリースし,複数の障害条件下での協調実施型AI作業報告性能を推奨する。

関連論文リスト

GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems [55.12339141172908]
GoAgentは、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成手法である。 6つのベンチマークの実験では、GoAgentの最先端のパフォーマンスを93.84%の平均精度で証明し、トークン消費を約17%削減した。
論文参考訳（メタデータ） (2026-03-20T06:21:32Z)
Reason-to-Transmit: Deliberative Adaptive Communication for Cooperative Perception [0.0]
Reason-to-Transmit (R2T) は、各エージェントに軽量トランスフォーマーベースのモジュールを装備するフレームワークである。 R2Tは、鳥眼視環境において、9つの基準線に対して評価される。
論文参考訳（メタデータ） (2026-03-19T15:54:26Z)
Send Less, Perceive More: Masked Quantized Point Cloud Communication for Loss-Tolerant Collaborative Perception [38.10779821259225]
帯域幅を大幅に削減する量子化ポイントクラウド通信フレームワークであるQPoint2Commを紹介する。 QPoint2Commは共有コードブックを使用して量子化されたポイントクラウドインデックスを直接通信する。我々は、乱数パケット損失をシミュレートするマスク付きトレーニング戦略を採用し、重い送信障害であっても、モデルが強力な性能を維持することができる。
論文参考訳（メタデータ） (2026-02-25T08:00:48Z)
High-Fidelity Network Management for Federated AI-as-a-Service: Cross-Domain Orchestration [0.12234742322758417]
本稿では,Tail-Risk Envelopes(TRE)に基づく保証指向AI管理プレーンを提案する。 TREは、決定論的ガードレールとレート・レイテンシ・インペアメントモデルを組み合わせた、ドメインごとの構成可能な記述子に署名される。テナントレベルの予約は,TRE契約下でのテール遅延の増大を防止する。
論文参考訳（メタデータ） (2026-02-17T00:40:04Z)
JigsawComm: Joint Semantic Feature Encoding and Transmission for Communication-Efficient Cooperative Perception [7.867653563872962]
JigsawCommはエンドツーエンドのトレーニング、セマンティックアウェア、通信効率の良いCPフレームワークである。正規化エンコーダを使用して、意味的関連性とスパースな特徴を抽出する。軽量のFeature Utility Estimatorを使用して、各エージェントの機能を最終認識タスクへのコントリビューションを予測する。
論文参考訳（メタデータ） (2025-11-21T23:36:24Z)
Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
論文参考訳（メタデータ） (2025-08-21T02:46:46Z)
Agent KB: Leveraging Cross-Domain Experience for Agentic Problem Solving [62.71545696485824]
我々は,異種エージェントフレームワーク間のシームレスな体験共有を可能にするユニバーサルメモリ基盤であるAgent KBを紹介した。 Agent KBはトラジェクトリを構造化知識ベースに集約し、軽量APIを提供する。我々は,GAIA,Humanity's Last Exam,GPQA,SWE-benchなどの主要フレームワークにまたがるエージェントを検証した。
論文参考訳（メタデータ） (2025-07-08T17:59:22Z)
Distributed Training under Packet Loss [8.613477072763404]
信頼性の低いコネクションを利用するとレイテンシが低下するが、パケットを落としてモデルの精度と収束を犠牲にする可能性がある。そこで本研究では,パケット損失の正確性と収束性を保証する原理的なエンドツーエンドソリューションを提案する。この研究は、コミュニケーション効率の高いプロトコルと、現代の大規模モデルの訓練で要求される精度と保証のギャップを埋めるものである。
論文参考訳（メタデータ） (2025-07-02T11:07:20Z)
Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文参考訳（メタデータ） (2022-07-03T06:57:07Z)
Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
論文参考訳（メタデータ） (2021-12-03T19:23:48Z)
Learning to Communicate and Correct Pose Errors [75.03747122616605]
本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
論文参考訳（メタデータ） (2020-11-10T18:19:40Z)

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。