論文の概要: Agentic AI for Trip Planning Optimization Application
- arxiv url: http://arxiv.org/abs/2605.00276v1
- Date: Thu, 30 Apr 2026 22:29:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.781197
- Title: Agentic AI for Trip Planning Optimization Application
- Title（参考訳）: トリップ計画最適化のためのエージェントAI
- Authors: Tiejin Chen, Ahmadreza Moradipari, Kyungtae Han, Hua Wei, Nejib Ammar,
- Abstract要約: 我々は、トラフィック、充電、関心点のための特別なエージェントを協調するオーケストレーションエージェントを通じて、動的に洗練されたエージェントAIフレームワークを導入する。
実験の結果,TOPベンチマークでは77.4%の精度が得られ,単エージェントやワークフローベースのマルチエージェントベースラインよりも優れていた。
- 参考スコア（独自算出の注目度）: 9.96862504742795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trip planning for intelligent vehicles increasingly requires selecting optimal routes rather than merely producing feasible itineraries, as interacting factors such as travel time, energy consumption, and traffic conditions directly affect plan quality. Yet existing systems are largely designed for feasibility-oriented planning, and current benchmarks provide only reference answers without ground truth, preventing objective evaluation of optimization performance. In our paper, we address these limitations with an agentic AI framework that enables dynamic refinement through an orchestration agent coordinating specialized agents for traffic, charging, and points of interest, and with the Trip-planning Optimization Problems Dataset, which supplies definitive optimal solutions and category-level task structure for fine-grained analysis. Experiments show that our system achieves 77.4\% accuracy on the TOP Benchmark, significantly outperforming single-agent and workflow-based multi-agent baselines, demonstrating the importance of orchestrated agentic reasoning for robust trip planning optimization.
- Abstract（参考訳）: 知的車両のトリッププランニングは、旅行時間、エネルギー消費、交通条件などの相互作用要因が計画品質に直接影響するため、単に実現可能なイテナリーを生産するだけではなく、最適なルートを選択することがますます求められている。
しかし、既存のシステムは実現可能性指向の計画のために主に設計されており、現在のベンチマークでは、根拠のない参照回答のみを提供し、最適化性能の客観的評価を妨げている。
本稿では,これらの制約を,交通,充電,関心点の特殊エージェントを協調するオーケストレーションエージェントによる動的洗練を実現するエージェントAIフレームワークと,最適解とカテゴリーレベルのタスク構造を提供するトリップ計画最適化問題データセットを用いて解決する。
実験の結果,TOPベンチマークでは77.4\%の精度を実現し,単エージェントとワークフローベースのマルチエージェントベースラインを著しく上回り,堅牢な旅行計画最適化のためのエージェント推論の重要性が示された。
関連論文リスト
- HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。
我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-04T04:12:47Z) - MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness [5.419189180406189]
本稿では, リアルタイム環境認識に基づくUAVの多モードハイブリッド軌道計画手法を提案する。
今後の環境における飛行安全性を迅速に評価する目標指向型空間認識手法を提案する。
次に,多モードハイブリッド軌道計画機構を提案し,計画効率を向上させる。
論文 参考訳（メタデータ） (2026-03-03T07:23:19Z) - COMPASS: A Multi-Turn Benchmark for Tool-Mediated Planning & Preference Optimization [47.26757420020116]
本稿では,現実的な旅行計画シナリオにおけるエージェントの評価を行うベンチマークを提案する。
我々は、20の国立公園の交通、宿泊、チケット販売を網羅する現実的な旅行データベースを構築している。
i) エージェントが制約を確実に満たすが、選好を最適化できない、(ii) 計画調整のギャップ、(ii) マルチサービス(フライトとホテル)の調整タスクのパフォーマンスが崩壊する、という2つの重要なギャップを明らかにする。
論文 参考訳（メタデータ） (2025-10-08T14:09:46Z) - ATLAS: Constraints-Aware Multi-Agent Collaboration for Real-World Travel Planning [53.065247112514534]
ATLASは、現実世界の旅行計画タスクにおける制約意識の複雑な性質を扱うために設計された汎用マルチエージェントフレームワークである。
我々はTravelPlannerベンチマークで最先端のパフォーマンスを示し、最終パスレートを23.3%から44.4%に改善した。
論文 参考訳（メタデータ） (2025-09-29T23:23:52Z) - Decomposability-Guaranteed Cooperative Coevolution for Large-Scale Itinerary Planning [6.565536870180592]
大規模反復計画は、旅行セールスマン問題の変種である。
本稿では,大規模反復計画の分解可能性について分析する。
本稿では,大規模反復計画のための新しい多目的協調進化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-06T14:31:57Z) - Vaiage: A Multi-Agent Solution to Personalized Travel Planning [0.27309692684728615]
プランニングトリップは、ユーザの好みの相反、動的な外部情報、多段階の時間空間最適化を含む認知的に集中的なタスクである。
我々のアプローチであるVayageは、目標条件付きレコメンデータとシーケンシャルプランナの両方として機能する、大規模言語モデル(LLM)を中心に構築されたグラフ構造化マルチエージェントフレームワークを通じて、これらの課題に対処します。
自然言語のインタラクション、構造化ツールの使用、マップベースのフィードバックループを通じて、Vaiageは、象徴的推論と会話的理解の両方に根ざした適応的、説明可能、エンドツーエンドの旅行計画を可能にする。
論文 参考訳（メタデータ） (2025-05-16T06:54:52Z) - TP-RAG: Benchmarking Retrieval-Augmented Large Language Model Agents for Spatiotemporal-Aware Travel Planning [39.934634038758404]
本稿では,検索用時間RAG対応旅行計画の最初のベンチマークであるTP-RAGを紹介する。
我々のデータセットには、2,348の現実世界の旅行クエリ、85,575の微粒なPOI、18,784の注釈付きPOIが含まれている。
論文 参考訳（メタデータ） (2025-04-11T17:02:40Z) - World Modeling Makes a Better Planner: Dual Preference Optimization for Embodied Task Planning [60.100794160682646]
そこで本稿では,嗜好学習による状態予測と行動選択を協調的に最適化する新たな学習フレームワークを提案する。
人間のアノテーションを使わずに軌道や段階的な選好データを自動的に収集するために,試行錯誤による広範囲な探索のための木探索機構を導入する。
提案手法は,Qwen2-VL (7B), LLaVA-1.6 (7B), LLaMA-3.2 (11B) に適用した場合, 既存の手法と GPT-4o を著しく上回っている。
論文 参考訳（メタデータ） (2025-03-13T15:49:56Z) - Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。
我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。
その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
論文 参考訳（メタデータ） (2025-02-20T18:39:41Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。