論文の概要: Dynamic Multi-Robot Task Allocation under Uncertainty and Communication Constraints: A Game-Theoretic Approach

• arxiv url: http://arxiv.org/abs/2604.11954v1
• Date: Mon, 13 Apr 2026 18:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.067791
• Title: Dynamic Multi-Robot Task Allocation under Uncertainty and Communication Constraints: A Game-Theoretic Approach
• Title（参考訳）: 不確実性と通信制約下における動的マルチロボットタスク割り当て:ゲーム理論によるアプローチ
• Authors: Maria G. Mendoza, Pan-Yang Su, Bryce L. Ferguson, S. Shankar Sastry,
• Abstract要約: 本研究では,不確実なタスク完了,時間-ウィンドウ制約,不完全な情報の下での動的マルチロボットタスク割り当てについて検討する。 我々は、タスクの可視性を決定するハブベースセンシング領域と、ハブ間の情報交換を管理する通信グラフを介して不完全情報をモデル化する。 この枠組みを用いて、各エージェントが局所的に観察される福祉への限界的貢献を最大化するタスクを選択する分散政策である反復的ベストレスポンス(IBR)を提案する。
• 参考スコア（独自算出の注目度）: 2.7148994623424207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study dynamic multi-robot task allocation under uncertain task completion, time-window constraints, and incomplete information. Tasks arrive online over a finite horizon and must be completed within specified deadlines, while agents operate from distributed hubs with limited sensing and communication. We model incomplete information through hub-based sensing regions that determine task visibility and a communication graph that governs inter-hub information exchange. Using this framework, we propose Iterative Best Response (IBR), a decentralized policy in which each agent selects the task that maximizes its marginal contribution to the locally observed welfare. We compare IBR against three baselines: Earliest Due Date first (EDD), Hungarian algorithm, and Stochastic Conflict-Based Allocation (SCoBA), on a city-scale package-delivery domain with up to 100 drones and varying task arrival scenarios. Under full and sparse communication, IBR achieves competitive task-completion performance with lower computation time.
• Abstract（参考訳）: 本研究では,不確実なタスク完了,時間-ウィンドウ制約,不完全な情報の下での動的マルチロボットタスク割り当てについて検討する。 タスクは有限の地平線上でオンラインに届き、特定の期限内に完了しなければならない。 我々は、タスクの可視性を決定するハブベースセンシング領域と、ハブ間の情報交換を管理する通信グラフを介して不完全情報をモデル化する。 この枠組みを用いて、各エージェントが局所的に観察される福祉への限界的貢献を最大化するタスクを選択する分散政策である反復的ベストレスポンス(IBR)を提案する。 IBRを3つのベースラインと比較する。Earl Most Due Date First(EDD)、ハンガリーのアルゴリズム、ScoBA(Stochastic Conflict-Based Allocation)。 完全かつ疎結合な通信では、IBRはより少ない計算時間で競合的なタスク補完性能を達成する。

関連論文リスト

• GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems [55.12339141172908]
  GoAgentは、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成手法である。 6つのベンチマークの実験では、GoAgentの最先端のパフォーマンスを93.84%の平均精度で証明し、トークン消費を約17%削減した。
  論文  参考訳（メタデータ） (2026-03-20T06:21:32Z)
• Self-Configurable Mesh-Networks for Scalable Distributed Submodular Bandit Optimization [6.522338519818377]
  本研究では、帯域幅、データレート、接続性において、現実的な通信制約の下で分散帯域のサブモジュール協調をスケールする方法について検討する。 提案手法は,エージェントの通信エリアを時間とともに最適化することにより,ほぼ最適な行動調整を可能にする。 より高速に収束し、帯域幅のサブモジュラー調整のためのベンチマークより優れ、環境の事前知識によって特権付けられるベンチマークよりも優れていることが観察される。
  論文  参考訳（メタデータ） (2026-02-22T22:36:37Z)
• Prompt-Based Spatio-Temporal Graph Transfer Learning [22.855189872649376]
  本稿では,データスカース領域における多変数タスクに適応可能なプロンプトベースのフレームワークを提案する。 2段階のパイプラインでドメインとタスクの転送を実現するために、学習可能なプロンプトを採用しています。 実験の結果,STGPは3つのタスクの予測,クリギング,外挿において,最先端のベースラインよりも10.7%向上していることがわかった。
  論文  参考訳（メタデータ） (2024-05-21T02:06:40Z)
• Distributed Multi-Task Learning for Stochastic Bandits with Context Distribution and Stage-wise Constraints [0.0]
  異種エージェントを用いた線形文脈帯域における保守的分散マルチタスク学習について述べる。 正確なコンテキストは不明で、エージェントが利用できるのはコンテキスト分布のみである。 提案アルゴリズムは,各ラウンドにおいて,制約を満たすためにプルーニングされた動作セットを構築する。 中央サーバを介してエージェント間での見積もりの同期共有を含む。
  論文  参考訳（メタデータ） (2024-01-21T18:43:55Z)
• Federated Natural Policy Gradient and Actor Critic Methods for Multi-task Reinforcement Learning [46.28771270378047]
  フェデレート強化学習(RL)は、ローカルデータトラジェクトリを共有することなく、複数の分散エージェントの協調的な意思決定を可能にする。 本研究では,環境の同じ遷移カーネルを共有しながら,各エージェントが異なるタスクに対応する個別の報酬関数を持つマルチタスク設定について考察する。 我々は、分散された方法で全てのエージェントの割引された全報酬の総和を最大化する、世界的な最適政策を学習する。
  論文  参考訳（メタデータ） (2023-11-01T00:15:18Z)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• Learning Task-oriented Disentangled Representations for Unsupervised Domain Adaptation [165.61511788237485]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。 UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2020-07-27T01:21:18Z)
• Bottom-up mechanism and improved contract net protocol for the dynamic task planning of heterogeneous Earth observation resources [61.75759893720484]
  地球観測資源は、災害救助、被害評価、関連する領域においてますます不可欠になりつつある。 観測要求の変更や悪天候の発生、資源の失敗など、予測できない多くの要因は、スケジュールされた観測計画が実行不可能になる可能性がある。 不均質な地球観測資源の動的タスク計画を容易にするため、ボトムアップ分散協調フレームワークと改良された契約網を提案する。
  論文  参考訳（メタデータ） (2020-07-13T03:51:08Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)
• Distributed Primal-Dual Optimization for Online Multi-Task Learning [22.45069527817333]
  本稿では,対数学習におけるタスク固有のノイズを捕捉し,実行時効率でプロジェクションフリーな更新を行う適応的原始双対アルゴリズムを提案する。 我々のモデルは、エネルギー不足や帯域制限のあるタスクが更新を延期できるようにするため、分散型の周期接続タスクに適しています。 実験結果から,提案モデルが実世界の様々なデータセットに対して極めて有効であることが確認された。
  論文  参考訳（メタデータ） (2020-04-02T23:36:07Z)

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。