論文の概要: Optimized and kinematically feasible multi-agent motion planning
- arxiv url: http://arxiv.org/abs/2605.01996v1
- Date: Sun, 03 May 2026 17:54:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.035993
- Title: Optimized and kinematically feasible multi-agent motion planning
- Title（参考訳）: 最適かつキネマティックに実現可能なマルチエージェント動作計画
- Authors: Anja Hellander, Kristoffer Bergman, Daniel Axehill,
- Abstract要約: マルチエージェント・モーション・プランニング(MAMP)は、複数のエージェントを持つ自律システムにとって重要な問題である。
そこで本研究では, MAMP問題に対する最適かつキネマティックに実現可能な解を見つけるための2段階の手法を提案する。
トラクタ・トレーラシステムのMAMP問題に対する提案手法の評価を行った。
- 参考スコア（独自算出の注目度）: 0.6299766708197881
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent motion planning (MAMP) is an important problem for autonomous systems with multiple agents. In this work we propose a two-step method for finding optimized and kinematically feasible solutions to MAMP problems. The first step finds an initial feasible solution using state-of-the-art methods such as conflict-based search (CBS) or priority-based search (PBS), and the second step is an improvement step which improves the solution by solving a multi-phase optimal control problem (OCP) where the initial solution is used to warm-start the solver. We also propose a method for generating motion primitives in an optimized way under the constraint that the primitive durations are all multiples of the same sample time. We evaluate our proposed framework on a MAMP problem for tractor-trailer systems. We extend the safe interval path planning with interval projections (SIPP-IP) algorithm so it can handle more general cost functions and larger agents, but our results show that for the tractor-trailer system a simple lattice-based planner performs better due to less conservative collision checks. Our experiments also indicate that CBS performs better than PBS for this system as it achieves a higher success rate in environments with obstacles and had a lower average runtime, although both planners achieve solutions of similar quality after the improvement step.
- Abstract（参考訳）: マルチエージェント・モーション・プランニング(MAMP)は、複数のエージェントを持つ自律システムにとって重要な問題である。
本研究では, MAMP問題に対する最適化および運動論的に実現可能な解を見つけるための2段階の手法を提案する。
第1のステップは、コンフリクトベースサーチ(CBS)や優先度ベースサーチ(PBS)といった最先端手法を用いて、初期実現可能な初期解を見つけ、第2のステップは、初期解を用いて解を温める多相最適制御問題(OCP)を解くことにより、解決を改善するための改善ステップである。
また, 基本期間がすべて同じサンプル時間の倍であるという制約の下で, 最適化された動作プリミティブを生成する手法を提案する。
トラクタ・トレーラシステムのMAMP問題に対する提案手法の評価を行った。
本研究では, トラクタ・トレーラシステムにおいて, より一般的なコスト関数やより大きなエージェントを扱えるように, インターバルプロジェクション (SIPP-IP) アルゴリズムを用いて安全区間計画を拡張した。
また, CBSは, 障害のある環境において高い成功率を達成し, 平均実行時間も低いため, このシステムにおいてPBSよりも優れた性能を示し, いずれのプランナーも改善工程後に同様の品質のソリューションを実現できることを示した。
関連論文リスト
- Scalable Inspection Planning via Flow-based Mixed Integer Linear Programming [8.568142982906755]
検査計画とは、最短のロボット経路を計算して、与えられた一連の関心点を検査することである。
我々は、GIPのための高度にスケーラブルな混合線形プログラミング(MILP)ソリューションを提案し、ランタイムとソリューションの品質の両方において最先端の技術を著しく向上させます。
論文 参考訳（メタデータ） (2026-03-17T14:40:26Z) - Fast T2T: Optimization Consistency Speeds Up Diffusion-Based Training-to-Testing Solving for Combinatorial Optimization [83.65278205301576]
雑音レベルから与えられたインスタンスの最適解への直接写像を学習し、最小限のショットで高品質な生成を容易にすることを提案する。
これは、サンプル間の差を最小限に抑える最適化一貫性トレーニングプロトコルによって達成される。
The Traveling Salesman Problem (TSP) と Maximal Independent Set (MIS) は、ソリューションの品質と効率の両方に関して、Fast T2Tの優位性を実証している。
論文 参考訳（メタデータ） (2025-02-05T07:13:43Z) - Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - MGCBS: An Optimal and Efficient Algorithm for Solving Multi-Goal Multi-Agent Path Finding Problem [5.580214316179672]
MG-MAPF問題は、各エージェントが少なくとも1回は衝突することなく、予め割り当てられた複数のゴールポイントを訪問する必要がある。
そこで本研究では,単一エージェントパスフィンディング(Single-Adnt pathfinding)とセーフ区間探索(Single-Adnt pathfinding)の分離に基づくMulti-Goal Conflict-Based Search (MGCBS)を提案する。
提案手法は, 常に最適な結果を得ることができ, 評価において最先端の手法よりも最大7倍高速に実行することができる。
論文 参考訳（メタデータ） (2024-04-30T12:49:54Z) - Mining Large Independent Sets on Massive Graphs [47.21699378695116]
ARCISは、巨大なグラフ上の大きな独立した集合をマイニングするための効率的なアルゴリズムである。
ARCISは、ほとんどのインスタンスで最高の、または最も結びついたソリューション品質が得られることを示す。
論文 参考訳（メタデータ） (2022-08-16T14:39:38Z) - Multi-Agent Deep Reinforcement Learning in Vehicular OCC [14.685237010856953]
我々は車載OCCにおけるスペクトル効率最適化手法を提案する。
我々は最適化問題をマルコフ決定プロセス(MDP)としてモデル化し、オンラインで適用可能なソリューションの利用を可能にする。
提案手法の性能を広範囲なシミュレーションにより検証し,提案手法の様々な変種とランダムな手法との比較を行った。
論文 参考訳（メタデータ） (2022-05-05T14:25:54Z) - Two-Stage Stochastic Optimization via Primal-Dual Decomposition and Deep
Unrolling [86.85697555068168]
2段階のアルゴリズム最適化は、様々な工学や科学的応用において重要な役割を果たす。
特に長期変数と短期変数が制約の中で結合されている場合、アルゴリズムは効率的ではない。
PDD-SSCAが既存のソリューションよりも優れたパフォーマンスを達成できることを示します。
論文 参考訳（メタデータ） (2021-05-05T03:36:00Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z)
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。