論文の概要: HeteroHub: An Applicable Data Management Framework for Heterogeneous Multi-Embodied Agent System
- arxiv url: http://arxiv.org/abs/2603.28010v1
- Date: Mon, 30 Mar 2026 04:01:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.223497
- Title: HeteroHub: An Applicable Data Management Framework for Heterogeneous Multi-Embodied Agent System
- Title（参考訳）: HeteroHub: 異種多体エージェントシステムに適用可能なデータ管理フレームワーク
- Authors: Xujia Li, Xin Li, Junquan Huang, Beirong Cui, Zibin Wu, Lei Chen,
- Abstract要約: 異種多体エージェントシステムは、動的環境におけるタスクを達成するために、多様な能力を持つ複数のエンボディエージェントを協調する。
既存のフレームワークには、そのようなシステムの実際のデプロイをサポートするための統一されたデータ管理インフラストラクチャがない。
textbfHeteroHubは静的メタデータ、タスクアライントレーニングコーパス、リアルタイムデータストリームを統合したデータ中心のフレームワークである。
- 参考スコア（独自算出の注目度）: 10.1098903025112
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heterogeneous Multi-Embodied Agent Systems involve coordinating multiple embodied agents with diverse capabilities to accomplish tasks in dynamic environments. This process requires the collection, generation, and consumption of massive, heterogeneous data, which primarily falls into three categories: static knowledge regarding the agents, tasks, and environments; multimodal training datasets tailored for various AI models; and high-frequency sensor streams. However, existing frameworks lack a unified data management infrastructure to support the real-world deployment of such systems. To address this gap, we present \textbf{HeteroHub}, a data-centric framework that integrates static metadata, task-aligned training corpora, and real-time data streams. The framework supports task-aware model training, context-sensitive execution, and closed-loop control driven by real-world feedback. In our demonstration, HeteroHub successfully coordinates multiple embodied AI agents to execute complex tasks, illustrating how a robust data management framework can enable scalable, maintainable, and evolvable embodied AI systems.
- Abstract（参考訳）: 異種多体エージェントシステムは、動的環境におけるタスクを達成するために、多様な能力を持つ複数のエンボディエージェントを協調する。
このプロセスでは、エージェント、タスク、環境に関する静的知識、さまざまなAIモデルに適したマルチモーダルトレーニングデータセット、高周波センサストリームの3つのカテゴリに分類される。
しかし、既存のフレームワークには、そのようなシステムの現実的な展開をサポートするための統一されたデータ管理基盤が欠けている。
このギャップに対処するために、静的メタデータ、タスクアライントレーニングコーパス、リアルタイムデータストリームを統合するデータ中心のフレームワークである \textbf{HeteroHub} を紹介します。
このフレームワークは、実際のフィードバックによって駆動されるタスク認識モデルトレーニング、コンテキスト依存実行、クローズドループ制御をサポートする。
私たちのデモでは、HeteroHubが複数の実施済みAIエージェントをコーディネートして複雑なタスクを実行し、堅牢なデータ管理フレームワークがスケーラブルで保守性があり、進化可能なAIシステムを実現する方法について説明しました。
関連論文リスト
- A Hierarchical Multi-Agent System for Autonomous Discovery in Geoscientific Data Archives [0.0]
PANGAEA-GPTは、自律的なデータ発見と分析のために設計された階層型マルチエージェントフレームワークである。
標準のLarge Language Model (LLM)ラッパーとは異なり、我々のアーキテクチャは集中型スーパーバイザ-ワーバートポロジを実装している。
人間の介入を最小限に抑えながら、複雑な多段階決定論的ランタイムを実行するシステムの能力を実証する。
論文 参考訳（メタデータ） (2026-02-24T20:37:38Z) - MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era [74.42509044145417]
MegaFlowは、エージェント環境ワークロードの効率的なスケジューリング、リソース割り当て、きめ細かいタスク管理を可能にする、大規模な分散オーケストレーションシステムである。
エージェントのトレーニングデプロイメントでは、MegaFlowは、高いシステムの安定性を維持しながら、数万の並行エージェントタスクを編成し、効率的なリソース利用を実現しています。
論文 参考訳（メタデータ） (2026-01-12T13:25:33Z) - Matrix: Peer-to-Peer Multi-Agent Synthetic Data Generation Framework [32.3041485160475]
マルチエージェント合成のための分散フレームワークである textbf Matrix を提案する。
Matrixは、シリアライズされたメッセージが分散キューを通過するとき、制御とデータフローの両方を表す。
我々は、マルチエージェント協調対話、Webベースの推論データ抽出、顧客サービス環境におけるツール利用軌跡生成など、多様な合成シナリオにおいてMatrixを評価した。
論文 参考訳（メタデータ） (2025-11-26T18:59:28Z) - Efficient and Scalable Agentic AI with Heterogeneous Systems [1.8921715645847679]
AIエージェントは、幅広いアプリケーションにおいて支配的なワークロードとして現れており、企業や消費者にAIの約束されたメリットを提供するための手段として期待されている。
AIエージェントの使用をスケールするには、効率的でスケーラブルなデプロイメントとエージェントサービスインフラストラクチャが必要です。
異種計算インフラストラクチャ上でAIエージェントのワークロードを動的にオーケストレーションするシステム設計を提案する。
論文 参考訳（メタデータ） (2025-07-25T19:02:42Z) - AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning [98.26836657967162]
textbfAgentOhanaは、さまざまなシナリオにまたがって、異なる環境からエージェントのトラジェクトリを集約する。
AIエージェント用に調整された大規模なアクションモデルである textbfxLAM-v0.1 は、さまざまなベンチマークで例外的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-23T18:56:26Z) - An Interactive Agent Foundation Model [49.77861810045509]
本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。
トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。
私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
論文 参考訳（メタデータ） (2024-02-08T18:58:02Z)
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。