論文の概要: CREST: Constraint-Release Execution for Multi-Robot Warehouse Shelf Rearrangement

• arxiv url: http://arxiv.org/abs/2603.28803v1
• Date: Fri, 27 Mar 2026 23:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.539448
• Title: CREST: Constraint-Release Execution for Multi-Robot Warehouse Shelf Rearrangement
• Title（参考訳）: CREST: マルチロボットウェアハウス棚再配置のための制約緩和実行
• Authors: Jiaqi Tan, Yudong Luo, Sophia Huang, Yifan Yang, Hang Ma,
• Abstract要約: Double-Deck Multi-Agent Pickup and Delivery (DD-MAPD) は、自動倉庫におけるマルチロボット棚の再配置問題をモデル化する。 MAPF-DECOMPは、MAPFソルバで衝突のない棚軌道を計算し、エージェントを割り当てて実行する、最近のフレームワークである。 CRESTは、実行中に軌道制約を積極的にリリースすることで、より継続的なシェルフを運ぶことができる新しい実行フレームワークです。
• 参考スコア（独自算出の注目度）: 9.735893104705282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Double-Deck Multi-Agent Pickup and Delivery (DD-MAPD) models the multi-robot shelf rearrangement problem in automated warehouses. MAPF-DECOMP is a recent framework that first computes collision-free shelf trajectories with a MAPF solver and then assigns agents to execute them. While efficient, it enforces strict trajectory dependencies, often leading to poor execution quality due to idle agents and unnecessary shelf switching. We introduce CREST, a new execution framework that achieves more continuous shelf carrying by proactively releasing trajectory constraints during execution. Experiments on diverse warehouse layouts show that CREST consistently outperforms MAPF-DECOMP, reducing metrics related to agent travel, makespan, and shelf switching by up to 40.5\%, 33.3\%, and 44.4\%, respectively, with even greater benefits under lift/place overhead. These results underscore the importance of execution-aware constraint release for scalable warehouse rearrangement. Code and data are available at https://github.com/ChristinaTan0704/CREST.
• Abstract（参考訳）: Double-Deck Multi-Agent Pickup and Delivery (DD-MAPD) は自動倉庫におけるマルチロボット棚再配置問題をモデル化する。 MAPF-DECOMPは、MAPFソルバで衝突のない棚軌道を計算し、エージェントを割り当てて実行する、最近のフレームワークである。 効率性はあるものの、厳格な軌道依存を強制し、しばしばアイドルエージェントや不要なシェルフスイッチングによる実行品質の低下につながる。 CRESTは、実行中に軌道制約を積極的にリリースすることで、より継続的なシェルフを運ぶことができる新しい実行フレームワークです。 多様な倉庫レイアウトの実験では、CRESTがMAPF-DECOMPを一貫して上回り、エージェント旅行、メースパン、シェルフの切り替えに関するメトリクスを最大40.5\%、33.3\%、44.4\%に減らし、リフト/プレースオーバーヘッド下でさらに大きなメリットがある。 これらの結果は、スケーラブルな倉庫再配置のための実行対応制約リリースの重要性を浮き彫りにしている。 コードとデータはhttps://github.com/ChristinaTan0704/CRESTで公開されている。

関連論文リスト

• DLLM Agent: See Farther, Run Faster [94.74432470237817]
  拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。 我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。 DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2026-02-07T09:01:18Z)
• Judgelight: Trajectory-Level Post-Optimization for Multi-Agent Path Finding via Closed-Subwalk Collapsing [10.510038680299223]
  MAPF(Multi-Agent Path Finding)は、倉庫の自動化と複数ロボットの協調におけるNPハード問題である。 本稿では、MAPFソルバが実行可能なスケジュールを生成した後、軌道品質を向上させるポスト最適化層であるジャッジライトを提案する。
  論文  参考訳（メタデータ） (2026-01-27T09:20:14Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• Bridging Planning and Execution: Multi-Agent Path Finding Under Real-World Deadlines [9.228609005424348]
  時間に敏感なアプリケーションのための実行インフォームドMAPF計画フレームワークであるREMAPを提案する。 我々のフレームワークは提案したExecTimeNetを統合し、計画されたパスに基づいて実行時間を正確に推定する。 実験の結果、REMAPはベースライン法よりもソリューション品質を最大20%改善することがわかった。
  論文  参考訳（メタデータ） (2025-11-26T20:08:52Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• Terraforming -- Environment Manipulation during Disruptions for Multi-Agent Pickup and Delivery [11.034208232337749]
  自動倉庫では、在庫ポッドを指定されたワークステーションに移動させ、密集したポッドで形成された狭い通路を航行することで、移動ロボットのチームがパッケージングプロセスを満たす。 この問題は一般にMAPD(Multi-Agent Pickup and Delivery)問題としてモデル化され、固定グラフ上のエージェントに対する衝突のない経路を繰り返し計画することで解決される。 既存のアプローチでは、エージェントは現在のタスクに対応するポッドのみを動かすことができるという仮定が制限されているが、他のポッドは静止障害である(全てのポッドが可動しているにもかかわらず)。 この行動は、ポッド操作を介して追加の回廊を開くことで避けられる必要のない長い経路をもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-05-19T08:19:24Z)
• Multi-Robot Coordination and Layout Design for Automated Warehousing [55.150593161240444]
  我々は、最先端のMAPFアルゴリズムであっても、人間設計のレイアウトは、多数のロボットを持つ倉庫の混雑を招きかねないことを示す。 倉庫のレイアウトを最適化するために,既存のシナリオ自動生成手法を拡張した。 その結果,(1)交通渋滞の低減とスループットの向上,(2)ロボットの数を2倍にすることで自動倉庫のスケーラビリティの向上,(3)ユーザが特定した多様性対策でレイアウトを生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-10T20:00:06Z)
• Double-Deck Multi-Agent Pickup and Delivery: Multi-Robot Rearrangement in Large-Scale Warehouses [6.852682268049646]
  自動倉庫におけるマルチロボット棚配置問題をモデル化した新しい問題定式化Double-Deck Multi-Agent Pickup and Delivery (DD-MAPD)を導入する。 本稿では,DD-MAPD インスタンスを MAPF インスタンスに分解し,棚の軌道をコーディネートするMAPF-DECOMP と,エージェントの経路を計算するためのMAPD インスタンスを提案する。 実験の結果,MAPF-DECOMPの効率と有効性を示し,1000台以上の棚と数百台のエージェントをほんの数分で大規模インスタンスの高品質なソリューションを計算できることを示した。
  論文  参考訳（メタデータ） (2023-04-27T16:26:05Z)
• A Feedback Scheme to Reorder a Multi-Agent Execution Schedule by Persistently Optimizing a Switchable Action Dependency Graph [65.70656676650391]
  複数の自動誘導車両 (AGV) が共通作業空間をナビゲートし, 様々な作業を行う。 一つのアプローチは、Action Dependency Graph (ADG)を構築し、そのルートに沿って進むとAGVの順序を符号化する。 ワークスペースが人間やサードパーティロボットのような動的障害によって共有されている場合、AGVは大きな遅延を経験することができる。 本稿では,各AGVの経路完了時間を最小限に抑えるために,非循環ADGを繰り返し修正するオンライン手法を提案する。
  論文  参考訳（メタデータ） (2020-10-11T14:39:50Z)
• Lifelong Multi-Agent Path Finding in Large-Scale Warehouses [26.017429163961328]
  MAPF(Multi-Agent Path Finding)は、エージェントのチームが衝突することなく目標地点に移動する問題である。 そこで本研究では,生涯MAPFの問題をウィンドウ化されたMAPFインスタンスのシーケンスに分解することで,生涯MAPFを解くための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-15T06:07:15Z)

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。