論文の概要: Fleet-Level Battery-Health-Aware Scheduling for Autonomous Mobile Robots

• arxiv url: http://arxiv.org/abs/2603.22731v1
• Date: Tue, 24 Mar 2026 02:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.262113
• Title: Fleet-Level Battery-Health-Aware Scheduling for Autonomous Mobile Robots
• Title（参考訳）: 自律移動ロボットのフリートレベルバッテリ・ヘルス・アウェアスケジューリング
• Authors: Jiachen Li, Shihao Li, Jian Chu, Wei Li, Dongmei Chen,
• Abstract要約: 本稿では,タスク割り当て,サービスシークエンシング,オプション充電決定,充電モード選択,充電器アクセスを共同で最適化し,劣化のバランスを保ちながら,分解コストを考慮したタスクプランニングをマルチロボットに拡張する。 拡張性を管理するために,フリートレベルのマスタが割り当てやルート,充電器の使用量を調整し,整数部を分割したロボットレベルのサブプロブレムを,経路条件付き劣化スケジュールを計算し,独立分割選択問題に分解する階層的数学的手法を提案する。
• 参考スコア（独自算出の注目度）: 12.349531775977836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous mobile robot fleets must coordinate task allocation and charging under limited shared resources, yet most battery aware planning methods address only a single robot. This paper extends degradation cost aware task planning to a multi robot setting by jointly optimizing task assignment, service sequencing, optional charging decisions, charging mode selection, and charger access while balancing degradation across the fleet. The formulation relies on reduced form degradation proxies grounded in the empirical battery aging literature, capturing both charging mode dependent wear and idle state of charge dependent aging; the bilinear idle aging term is linearized through a disaggregated piecewise McCormick formulation. Tight big M values derived from instance data strengthen the LP relaxation. To manage scalability, we propose a hierarchical matheuristic in which a fleet level master problem coordinates assignments, routes, and charger usage, while robot level subproblems whose integer part decomposes into trivially small independent partition selection problems compute route conditioned degradation schedules. Systematic experiments compare the proposed method against three baselines: a rule based nearest available dispatcher, an energy aware formulation that enforces battery feasibility without modeling degradation, and a charger unaware formulation that accounts for degradation but ignores shared charger capacity limits.
• Abstract（参考訳）: 自律的な移動ロボット群は、限られた共有リソースの下でタスク割り当てと充電を調整する必要があるが、ほとんどのバッテリ対応計画手法は、1つのロボットのみに対処する。 本稿では,タスク割り当て,サービスシークエンシング,オプション充電決定,充電モード選択,充電器アクセスを共同で最適化し,劣化のバランスを保ちながら,分解コストを考慮したタスクプランニングをマルチロボットに拡張する。 定式化は、経験的電池老化文学に根ざした還元型劣化プロキシに依拠し、充電モード依存の摩耗と電荷依存のアイドル状態の両方をキャプチャし、二線形アイドル時効項は、分解片方向のマコーミック定式化によって線形化される。 インスタンスデータから得られる80個の大きなM値によりLP緩和が強化される。 拡張性を管理するために,フリートレベルのマスタが割り当てやルート,充電器の使用量を調整し,整数部を分割したロボットレベルのサブプロブレムを,経路条件付き劣化スケジュールを計算し,独立分割選択問題に分解する階層的数学的手法を提案する。 システム実験では, 提案手法を3つのベースラインに対して比較した。ルールベース最寄りのディスペンサー, モデル劣化を伴わずにバッテリの実現性を強制するエネルギー認識式, 劣化を考慮しない充電器の容量制限を無視する充電器の定式化である。

関連論文リスト

• Modeling and Optimizing the Provisioning of Exhaustible Capabilities for Simultaneous Task Allocation and Scheduling [11.537906063717974]
  本稿では,時間拡張,オフラインヘテロジニアスなタスク割り当てフレームワークTRAITSを提案する。 本稿では,非線型プログラミングに基づく特徴分布モジュールを導入し,その特性予測率を最適化する。 我々は、TRAITSを2つの最先端フレームワークに対して評価し、複雑な特性とバッテリー要件を満たす利点を示す。
  論文  参考訳（メタデータ） (2026-02-14T19:55:15Z)
• Degradation-Aware Frequency Regulation of a Heterogeneous Battery Fleet via Reinforcement Learning [6.833717568444402]
  繰り返し充電と放電はサイクル劣化を誘発し、バッテリー寿命を減少させる。 本稿では,バタリーランプレートとキャパシティ制約による信号の集合的追跡を行う異種電池群のリアルタイムスケジューリングについて検討する。
  論文  参考訳（メタデータ） (2026-01-30T11:44:53Z)
• Shielded Controller Units for RL with Operational Constraints Applied to Remote Microgrids [50.64533198075622]
  強化学習(Reinforcement Learning, RL)は、不確実性の下で複雑なシステムにおける意思決定を最適化するための強力なフレームワークである。 本稿では,システムダイナミクスの事前知識を活用する体系的かつ解釈可能なアプローチであるシールド制御ユニット(SCU)を紹介する。 本研究では,厳密な運用要件を持つ遠隔マイクログリッド最適化タスクにおけるSCUの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-30T19:28:34Z)
• Dependency-Aware Task Offloading in Multi-UAV Assisted Collaborative Mobile Edge Computing [53.88774113545582]
  本稿では,新しい無人航空機(UAV)による協調移動エッジコンピューティング(MEC)フレームワークを提案する。 システムコストを最小限に抑え、タスク消費とエネルギー消費のトレードオフを改善することを目的としている。 提案手法はシステムコストを大幅に削減し,タスク消費とエネルギー消費のトレードオフの改善を実現する。
  論文  参考訳（メタデータ） (2025-10-23T02:55:40Z)
• Reinforcement Learning for Hybrid Charging Stations Planning and Operation Considering Fixed and Mobile Chargers [16.831541035603557]
  車両の電気化は、効率的で適応可能な充電インフラに依存している。 固定位置充電ステーションは需要変動による不使用や混雑に悩まされることが多いが、移動充電ステーションは必要に応じて移動することで柔軟性を提供する。 本稿では,都市道路網内の固定充電器と移動充電器を併用したハイブリッド充電インフラの最適計画と運用について検討する。
  論文  参考訳（メタデータ） (2025-06-20T05:51:02Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction [2.670887944566458]
  本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。 実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2022-06-01T15:31:06Z)
• Innovations in the field of on-board scheduling technologies [64.41511459132334]
  本稿では、ミッション自律のためのソフトウェアフレームワークに組み込まれた、オンボードスケジューラを提案する。 スケジューラは線形整数プログラミングに基づいており、ブランチ・アンド・カット・ソルバの使用に依存している。 この技術は地球観測のシナリオでテストされており、その性能を最先端のスケジューリング技術と比較している。
  論文  参考訳（メタデータ） (2022-05-04T12:00:49Z)
• 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)
• A Monotone Approximate Dynamic Programming Approach for the Stochastic Scheduling, Allocation, and Inventory Replenishment Problem: Applications to Drone and Electric Vehicle Battery Swap Stations [0.0]
  バッテリー交換ステーションでは、枯渇したバッテリーを全電池に数分で交換できる。 我々は,スワップ需要の不確定な到来,バッテリー劣化,交換を考慮した場合,バッテリー交換ステーションでの動作を導出する問題を考える。 特殊SAIRP症例に対する最適政策における値関数の単調性と単調構造に関する理論的証明を提案する。
  論文  参考訳（メタデータ） (2021-05-14T18:39:32Z)

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。