論文の概要: Auction-Based Task Allocation with Energy-Conscientious Trajectory Optimization for AMR Fleets

• arxiv url: http://arxiv.org/abs/2603.21545v1
• Date: Mon, 23 Mar 2026 03:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.474308
• Title: Auction-Based Task Allocation with Energy-Conscientious Trajectory Optimization for AMR Fleets
• Title（参考訳）: AMRフリートに対するエネルギー的軌道最適化を用いたオークションベースタスクアロケーション
• Authors: Jiachen Li, Soovadeep Bakshi, Jian Chu, Shihao Li, Dongmei Chen,
• Abstract要約: 本稿では,非対称なタスク空間におけるマルチロボットタスク割り当てと軌道最適化のためのフレームワークを提案する。 2-20のロボットと3つの工場レイアウトで最大100のタスクを持つ505のシナリオでは、エネルギーベースのオークションと距離ベースのオークションの両方が平均11.8%の省エネを実現している。 その結果, ほぼ均一な地形における距離入札と, 摩擦変動が顕著な場合のエネルギー認識入札が得られた。
• 参考スコア（独自算出の注目度）: 10.130359929230005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a hierarchical two-stage framework for multi-robot task allocation and trajectory optimization in asymmetric task spaces: (1) a sequential auction allocates tasks using closed-form bid functions, and (2) each robot independently solves an optimal control problem for energy-minimal trajectories with a physics-based battery model, followed by a collision avoidance refinement step using pairwise proximity penalties. Event-triggered warm-start rescheduling with bounded trigger frequency handles robot faults, priority arrivals, and energy deviations. Across 505 scenarios with 2-20 robots and up to 100 tasks on three factory layouts, both energy- and distance-based auction variants achieve 11.8% average energy savings over nearest-task allocation, with rescheduling latency under 10 ms. The central finding is that bid-metric performance is regime-dependent: in uniform workspaces, distance bids outperform energy bids by 3.5% (p < 0.05, Wilcoxon) because a 15.7% closed-form approximation error degrades bid ranking accuracy to 87%; however, when workspace friction heterogeneity is sufficient (r < 0.85 energy-distance correlation), a zone-aware energy bid outperforms distance bids by 2-2.4%. These results provide practitioner guidance: use distance bids in near-uniform terrain and energy-aware bids when friction variation is significant.
• Abstract（参考訳）: 本稿では,非対称なタスク空間におけるマルチロボットタスクアロケーションとトラジェクトリ最適化のための階層的な2段階のフレームワークを提案する。(1) シーケンシャルオークションは,閉形式入札関数を用いてタスクを割り当て,(2) それぞれのロボットは,物理ベースのバッテリモデルを用いて,エネルギー最小軌道に対する最適制御問題を独立に解く。 イベントトリガー付きウォームスタートリスケジュールとバウンドトリガー周波数は、ロボットの故障、優先到着、エネルギー偏差を処理する。 2-20のロボットによる505のシナリオと3つの工場配置における最大100のタスク、エネルギーベースと距離ベースのオークションのバリエーションは、最も近いタスク割り当てよりも平均11.8%の省エネを実現し、10ms未満のスケジュール遅延を実現している。中心的な発見は、入札基準によるパフォーマンスは、一様ワークスペースにおいて、距離入札はエネルギー入札よりも3.5%(p < 0.05, Wilcoxon)を上回る(p < 0.05, Wilcoxon)。これは、15.7%のクローズドフォーム近似誤差は、ランキング精度を87%に低下させるが、ワークスペース摩擦の不均一性(r < 0.85 エネルギー依存相関)が十分である場合(r < 0.85 エネルギー依存相関)、ゾーンアウェアエネルギー入札は距離入札よりも2-24%向上する。 これらの結果は, ほぼ均一な地形における距離入札と, 摩擦変動が顕著な場合のエネルギー認識入札という, 実践的なガイダンスを提供する。

関連論文リスト

• Edge-Efficient Two-Stream Multimodal Architecture for Non-Intrusive Bathroom Fall Detection [2.669350701173451]
  濡れた浴室環境の滝は、高齢者が一人で生活する大きな安全リスクである。 近年の研究では、mWaveのみ、振動のみ、および既存のマルチモーダルスキームがプライバシー保護、非侵襲的な転倒検出をサポートすることが示されている。 本研究では,長距離移動パターンと床振動の処理を行うMotion-Mambaブランチを用いて,レーダ信号を符号化する2ストリームアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-03-17T18:54:21Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• SURE: Safe Uncertainty-Aware Robot-Environment Interaction using Trajectory Optimization [8.712271005822256]
  SUREは、接触タイミングの不確実性を明確に説明する堅牢な軌道最適化フレームワークである。 影響時間不明の2つの代表的な課題についてSUREを評価した。 SUREは従来の定式化よりも頑健性を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-02-06T16:50:59Z)
• Energy-Efficient Omnidirectional Locomotion for Wheeled Quadrupeds via Predictive Energy-Aware Nominal Gait Selection [17.713242307107166]
  本稿では,車輪付き四足歩行ロボットの全方向効率を最適化するために,予測パワーモデリングと残留強化学習を統合した階層型制御フレームワークを提案する。 提案手法では,1秒の地平線上での歩行パターンの異なるエネルギー消費を予測できる新しい電力予測ネットワークを用いる。 強化学習ポリシーは、この名目歩行に残留的な調整を生成し、エネルギー効率と性能目標とのバランスをとるためのロボットの動作を微調整する。
  論文  参考訳（メタデータ） (2025-12-23T09:56:35Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• 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)
• TLE-Based A2C Agent for Terrestrial Coverage Orbital Path Planning [0.0]
  低地球軌道(LEO)の混雑は、地球観測衛星の効率的な展開と安全な運用に永続的な課題をもたらす。 本研究では,Advantage Actor-Critic (A2C) アルゴリズムを用いて衛星軌道パラメータを精密な地上被覆のために最適化する強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-14T17:44:51Z)
• On-device Anomaly Detection in Conveyor Belt Operations [6.402381955787955]
  本研究では,正常化と異常化の2つの新手法を提案する。 提案手法は閾値に基づくデューティサイクル検出機構を利用するパターン認識システムである。 この方法は、推論中にエネルギー消費が13.3と20.6のテキストムJの効率的なリアルタイム操作を示す。
  論文  参考訳（メタデータ） (2024-11-16T07:46:28Z)
• Powerful ordered collective heat engines [58.720142291102135]
  本稿では,同期動作を行うユニットのシステムによって性能が向上するエンジンのクラスを紹介する。 熱機関として運用するには,Isingライクな相互作用と集合秩序体制との相互作用が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-01-16T20:14:19Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。