Fugu-MT 論文翻訳(概要): Middle-mile logistics through the lens of goal-conditioned reinforcement learning

論文の概要: Middle-mile logistics through the lens of goal-conditioned reinforcement learning

arxiv url: http://arxiv.org/abs/2605.02461v1
Date: Mon, 04 May 2026 11:04:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:50.252038
Title: Middle-mile logistics through the lens of goal-conditioned reinforcement learning
Title（参考訳）: 目標条件付き強化学習のレンズによるミドルマイルロジスティクス
Authors: Onno Eberhard, Thibaut Cuvelier, Michal Valko, Bruno De Backer,
Abstract要約: ミドルマイル・ロジスティクス(Middle-mile logistics)は、有限容量トラックによってリンクされたハブのネットワークを介してパーセルをルーティングする問題を記述している。我々はこれを多目的目標条件のMDPと表現する。本手法では,環境状態から小さな特徴グラフを抽出し,グラフニューラルネットワークとモデルレスRLを組み合わせる。
参考スコア（独自算出の注目度）: 14.255101212526936
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Middle-mile logistics describes the problem of routing parcels through a network of hubs linked by trucks with finite capacity. We rephrase this as a multi-object goal-conditioned MDP. Our method combines graph neural networks with model-free RL, extracting small feature graphs from the environment state.
Abstract（参考訳）: ミドルマイル・ロジスティクス(Middle-mile logistics)は、有限容量トラックによってリンクされたハブのネットワークを介してパーセルをルーティングする問題を記述している。我々はこれを多目的目標条件のMDPと表現する。本手法では,環境状態から小さな特徴グラフを抽出し,グラフニューラルネットワークとモデルレスRLを組み合わせる。

関連論文リスト

Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks (Journal Version) [50.894272363373126]
密接な接続を特徴とする無線ネットワークでは、分散リンクスケジューリングアルゴリズムによって発生する重要な信号のオーバーヘッドは、混雑、エネルギー消費、無線フットプリント拡張といった問題を悪化させる可能性がある。ネットワーク容量を維持しながら遅延耐性トラフィックのスケジューリングオーバーヘッドを低減するために,グラフニューラルネットワーク(GNN)を用いた分散リンクスカラー化方式を提案する。 GNNモジュールは、トラフィック統計とネットワークトポロジに基づいて、個々のリンクに対する競合しきい値を調整するように訓練されており、成功しそうもない場合には、リンクがスケジュール競合から撤退することを可能にする。
論文参考訳（メタデータ） (2025-09-05T18:59:14Z)
Landscaping Linear Mode Connectivity [76.39694196535996]
線形モード接続(LMC)は理論と実用の両方の観点から関心を集めている。ロスランドスケープがLCCに対して地形的にどのように振る舞う必要があるかのモデルを提供することで、その理解に向けて一歩前進する。
論文参考訳（メタデータ） (2024-06-24T03:53:30Z)
End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment [5.205252810216621]
我々は、異種グラフニューラルネットワークのパワーを活用して、トラフィック割り当てのための新しいエンドツーエンドサロゲートモデルを提案する。本モデルでは,アダプティブグラフアテンション機構と,原点-終点ノードペアを接続する補助的な"仮想"リンクを統合する。提案するヘテロジニアスグラフニューラルネットワークモデルは,収束率や予測精度の観点から,従来のニューラルネットワークモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-10-19T23:04:09Z)
Graph Neural Modeling of Network Flows [6.199818486385127]
Per-Edge Weights (PEW) と呼ばれるネットワークフロー問題に対する新しいグラフ学習アーキテクチャを提案する。 PEWはグラフアテンションネットワーク上に構築され、各リンクに沿って明確にパラメータ化されたメッセージ関数を使用する。 PEWはグローバルメッセージ関数を制約するルーティング方式よりもかなりの利得が得られることを示す。
論文参考訳（メタデータ） (2022-09-12T12:45:45Z)
Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文参考訳（メタデータ） (2022-02-21T19:45:15Z)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。