論文の概要: Alternating Target-Path Planning for Scalable Multi-Agent Coordination

• arxiv url: http://arxiv.org/abs/2605.07744v2
• Date: Tue, 12 May 2026 04:26:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 18:21:06.828236
• Title: Alternating Target-Path Planning for Scalable Multi-Agent Coordination
• Title（参考訳）: スケーラブルなマルチエージェントコーディネートのための代替ターゲットパス計画
• Authors: Yu Kumagai, Keisuke Okumura,
• Abstract要約: 並列ターゲット割り当てとパスフィンディング問題は、マルチエージェントパスフィンディングを拡張する。 本稿では,パスフィニングから目的の割り当てを分離する反復的精錬フレームワークを提案する。 これは現実のセットアップに適した実用的で大規模なTAPFに向けた確かなステップである。
• 参考スコア（独自算出の注目度）: 11.193867567895353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The concurrent target assignment and pathfinding (TAPF) problem extends multi-agent pathfinding (MAPF) by asking planners to allocate distinct targets and collision-free paths to agents. Prior work on TAPF has relied exclusively on Conflict-Based Search (CBS), which tightly couples target assignment and pathfinding, resulting in compute-intensive, non-scalable solutions. In contrast, we propose an iterative refinement framework that decouples target assignment from pathfinding. Our framework builds on modern, fast, suboptimal MAPF solvers, such as LaCAM. Specifically, within a given time budget, it repeatedly solves MAPF for the current target assignment, identifies bottleneck agents via MAPF feedback, and refines the assignment. Empirical results show that feedback-driven reassignment loop is effective, enabling our framework to scale well beyond the reach of the state-of-the-art CBS-based solver while maintaining decent solution quality. This represents a solid step toward practical, large scale TAPF suitable for real-world setups.
• Abstract（参考訳）: 同時目標割り当てとパスフィンディング(TAPF)問題は、プランナーに異なるターゲットと衝突のないパスをエージェントに割り当てるよう求めることで、マルチエージェントパスフィンディング(MAPF)を拡張している。 TAPF の以前の作業は Conflict-Based Search (CBS) にのみ依存していた。 これとは対照的に,目的の割り当てをパスフィニングから切り離す反復的改善フレームワークを提案する。 我々のフレームワークは、LaCAMのような近代的で高速で最適なMAPFソルバ上に構築されている。 具体的には、所定の時間予算内で、現在の目標割り当てに対するMAPFを繰り返し解決し、MAPFフィードバックを介してボトルネックエージェントを特定し、割り当てを洗練する。 実験結果から,フィードバック駆動型再割り当てループが有効であることを示し,現状のCBSベースの解決器のリーチをはるかに越えつつ,適切なソリューション品質を維持しながら,フレームワークのスケールアップを可能にした。 これは現実のセットアップに適した実用的で大規模なTAPFに向けた確かなステップである。

関連論文リスト

• Learning to Communicate Locally for Large-Scale Multi-Agent Pathfinding [49.97209135164932]
  本稿では,効率的な特徴共有を通じてエージェント間の協調を強化するための学習可能な通信モジュールを提案する。 提案手法は既存の学習ベースMAPFソルバよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-08T12:05:08Z)
• MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning [68.91090643731987]
  深部強化学習(RL)は複雑な意思決定問題を解決するために広く応用されている。 既存のアプローチは、別々のフィールドに限られており、単一の目的でマルチエージェントの意思決定しか処理できない。 マルチオブジェクト型マルチエージェント強化学習(MOMARL)問題の解法としてMO-mixを提案する。
  論文  参考訳（メタデータ） (2026-02-28T16:25:22Z)
• Transient Multi-Agent Path Finding for Lifelong Navigation in Dense Environments [9.000023855628958]
  ライフロングMAPF(英: Lifelong MAPF、LMAPF)は、エージェントが現在のターゲットに到達すると新たなターゲットを受信するMAPFのオンライン版である。 そこで本研究では,LMAPF問題に対して,各エージェントが最終的にターゲットを訪問することを目的とした修正MAPF問題の系列を解くことで,LMAPF問題を解くことを提案する。 本稿では、このMAPF変種をTransient MAPF (TMAPF) と呼び、既存のMAPFアルゴリズムに基づいたいくつかのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-05T15:37:29Z)
• 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)
• Decentralized Monte Carlo Tree Search for Partially Observable Multi-agent Pathfinding [49.730902939565986]
  マルチエージェントパスフィンディング問題は、グラフに閉じ込められたエージェントのグループに対するコンフリクトフリーパスのセットを見つけることである。 本研究では、エージェントが他のエージェントをローカルにのみ観察できる分散MAPF設定に焦点を当てた。 MAPFタスクのための分散マルチエージェントモンテカルロ木探索法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T06:57:22Z)
• Learn to Follow: Decentralized Lifelong Multi-agent Pathfinding via Planning and Learning [46.354187895184154]
  マルチエージェントパスフィンディング(MAPF)問題は通常、グラフに制限されたエージェントの集合に対する競合のないパスの集合を見つけるよう要求する。 本研究では,エージェントの位置や目標に関する情報をすべて収集する中央制御器が存在しない場合の分散MAPF設定について検討する。 我々は,先行するエージェントに新たな目標を連続的に割り当てることを含むMAPFの実用上重要な寿命変化に焦点をあてる。
  論文  参考訳（メタデータ） (2023-10-02T13:51:32Z)
• Traffic Flow Optimisation for Lifelong Multi-Agent Path Finding [29.76466191644455]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題であり、エージェントのチームに対して衝突のない経路の計算を求める。 本稿では,MAPFにエージェントを誘導する手法を提案する。 各エージェントが1つの宛先を持つワンショットMAPFと、エージェントが常に新しい宛先を割り当てる終身MAPFの2つの大規模設定でこのアイデアを評価する。
  論文  参考訳（メタデータ） (2023-08-22T07:17:39Z)

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。