論文の概要: Karma Mechanisms for Decentralised, Cooperative Multi Agent Path Finding

• arxiv url: http://arxiv.org/abs/2604.07970v1
• Date: Thu, 09 Apr 2026 08:35:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.806303
• Title: Karma Mechanisms for Decentralised, Cooperative Multi Agent Path Finding
• Title（参考訳）: 分枝型多剤道探索のためのカルマ機構
• Authors: Kevin Riehl, Julius Schlapbach, Anastasios Kouvelas, Michail A. Makridis,
• Abstract要約: MAPF(Multi-Agent Path Finding)は、大規模ロボットおよびサイバー物理システムにおける協調問題である。 本稿では,カーマ機構に基づくMAPFのための分散協調フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.187733825162918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-Agent Path Finding (MAPF) is a fundamental coordination problem in large-scale robotic and cyber-physical systems, where multiple agents must compute conflict-free trajectories with limited computational and communication resources. While centralised optimal solvers provide guarantees on solution optimality, their exponential computational complexity limits scalability to large-scale systems and real-time applicability. Existing decentralised heuristics are faster, but result in suboptimal outcomes and high cost disparities. This paper proposes a decentralised coordination framework for cooperative MAPF based on Karma mechanisms - artificial, non-tradeable credits that account for agents' past cooperative behaviour and regulate future conflict resolution decisions. The approach formulates conflict resolution as a bilateral negotiation process that enables agents to resolve conflicts through pairwise replanning while promoting long-term fairness under limited communication and without global priority structures. The mechanism is evaluated in a lifelong robotic warehouse multi-agent pickup-and-delivery scenario with kinematic orientation constraints. The results highlight that the Karma mechanism balances replanning effort across agents, reducing disparity in service times without sacrificing overall efficiency. Code: https://github.com/DerKevinRiehl/karma_dmapf
• Abstract（参考訳）: MAPF(Multi-Agent Path Finding)は、大規模ロボットおよびサイバー物理システムにおいて、複数のエージェントが限られた計算資源と通信資源で競合のない軌道を計算しなければならない基本的な調整問題である。 集中型最適解法は解の最適性を保証するが、その指数的計算複雑性は大規模システムとリアルタイム適用性にスケーラビリティを制限している。 既存の分散ヒューリスティックは高速だが、最適以下の結果と高いコスト格差をもたらす。 本稿では, エージェントの過去の協調行動を説明する人工的・非取引可能なクレジットと, 今後の紛争解決決定を規定するMAPFの分散協調フレームワークを提案する。 このアプローチは、対立解決を二国間交渉のプロセスとして定式化し、エージェントは、コミュニケーションが限定され、グローバルな優先度構造がなければ、長期的公正性を促進しながら、ペアワイズ・リプランニングを通じて紛争を解決することができる。 このメカニズムは, 機械的向きの制約を伴って, 生涯にわたるロボット倉庫のマルチエージェントピックアップ・アンド・デリバリシナリオで評価される。 結果は、Karmaメカニズムがエージェント間のリプランの作業のバランスを保ち、全体的な効率を犠牲にすることなく、サービス時間の相違を低減していることを示している。 コード:https://github.com/DerKevinRiehl/karma_dmapf

関連論文リスト

• Distributed Online Submodular Maximization under Communication Delays: A Simultaneous Decision-Making Approach [6.522338519818377]
  我々は、未知および動的環境における未来の分散情報収集タスクに動機付けられている。 オンラインサブモジュールのアプローチは、シーケンシャルなマルチホップ通信に依存するか、あるいは禁止的な遅延をもたらす。 我々は,対戦型学習のツールと遅延フィードバックを統合し,同時意思決定を可能にする分散オンライングリーディ(DOG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-29T18:35:22Z)
• Mechanism-Based Intelligence (MBI): Differentiable Incentives for Rational Coordination and Guaranteed Alignment in Multi-Agent Systems [0.0]
  メカニズムベースインテリジェンス(MBI: Mechanism-Based Intelligence)は,複数の「脳」の協調からインテリジェンスを再認識するパラダイムである。 経済原理に基づく協調的で信頼性が高くスケーラブルなマルチエージェントインテリジェンスに対して、証明可能な効率、監査可能、一般化可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-12-22T22:22:13Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• Imitation Learning based Alternative Multi-Agent Proximal Policy Optimization for Well-Formed Swarm-Oriented Pursuit Avoidance [15.498559530889839]
  本稿では,分散学習に基づく代替的マルチエージェント・プロキシ・ポリシー最適化(IA-MAPPO)アルゴリズムを提案する。 擬似学習を利用して生成コントローラを分散化し,通信オーバーヘッドを低減し,スケーラビリティを向上させる。 シミュレーションの結果,IA-MAPPOの有効性が検証され,広範囲なアブレーション実験により,通信オーバーヘッドが著しく減少する集中型解に匹敵する性能が示された。
  論文  参考訳（メタデータ） (2023-11-06T06:58:16Z)
• DePAint: A Decentralized Safe Multi-Agent Reinforcement Learning Algorithm considering Peak and Average Constraints [1.1549572298362787]
  本稿では,この問題を解決するために,モーメントに基づく分散勾配法DePaintを提案する。 これは、ピーク制約と平均制約の両方を考慮した、プライバシ保存で完全に分散化されたマルチエージェント強化学習アルゴリズムとしては初めてのものである。
  論文  参考訳（メタデータ） (2023-10-22T16:36:03Z)
• Emergence of Theory of Mind Collaboration in Multiagent Systems [65.97255691640561]
  ToMとエージェント間の効果的な協調を開発するための適応的学習アルゴリズムを提案する。 アルゴリズムはToMをモデル化せずに従来の分散実行アルゴリズムを全て上回る2つのゲームで評価する。
  論文  参考訳（メタデータ） (2021-09-30T23:28:00Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• Decentralised Approach for Multi Agent Path Finding [6.599344783327053]
  MAPF (Multi Agent Path Finding) は、空間的に拡張されたエージェントに対する競合のない経路の同定を必要とする。 これらは、Convoy Movement ProblemやTraning Schedulingといった現実世界の問題に適用できる。 提案手法であるDecentralized Multi Agent Path Finding (DeMAPF) は、MAPFを経路計画と割り当ての問題の系列として扱う。
  論文  参考訳（メタデータ） (2021-06-03T18:07:26Z)
• F2A2: Flexible Fully-decentralized Approximate Actor-critic for Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
  分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。 本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。 当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
  論文  参考訳（メタデータ） (2020-04-17T14:56:29Z)

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。