論文の概要: Discrete Diffusion for Complex and Congested Multi-Agent Path Finding with Sparse Social Attention

• arxiv url: http://arxiv.org/abs/2605.13296v1
• Date: Wed, 13 May 2026 10:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.973399
• Title: Discrete Diffusion for Complex and Congested Multi-Agent Path Finding with Sparse Social Attention
• Title（参考訳）: 軽度の社会的注意を伴い, 複雑で混雑したマルチエージェントパスに対する離散拡散法
• Abstract要約: MAPF(Multi-Agent Path Finding)は、グローバルに一貫した計算を必要とする協調問題である。 密集した環境では、最適でない初期計画は複合的な紛争を引き起こし、実現可能な修復を妨げる。 本稿では,分散拡散確率モデル(D3PM)をLSS2と統合したハイブリッドフレームワークDiffSLNを提案する。
• 参考スコア（独自算出の注目度）: 23.40140861152013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Agent Path Finding (MAPF) is a coordination problem that requires computing globally consistent, collision-free trajectories from individual start positions to assigned goal positions under combinatorial planning complexity. In dense environments, suboptimal initial plans induce compound conflicts that hinder feasible repair. For repair-based solvers like LNS2, initial plan quality critically affects downstream repair, yet this factor remains underexplored. We propose DiffLNS, a hybrid framework that integrates a discrete denoising diffusion probabilistic model (D3PM) with LNS2. The D3PM serves as an initializer with sparse social attention that learns a spatiotemporal prior over coordinated multi-agent action trajectories from expert demonstrations and samples multiple joint plans. Operating directly on the categorical action space, our discrete diffusion preserves the MAPF action structure and samples from a multimodal joint-plan distribution to produce diverse drafts well suited for neighborhood repair. These drafts act as warm starts for downstream repair, which completes unfinished trajectories and resolves remaining conflicts under hard MAPF constraints. Experimental results show that despite being trained only on instances with at most 96 agents, the initializer generalizes to scenarios with up to 312 agents at inference time. Across 20 complex and congested settings, DiffLNS achieves an average success rate of 95.8%, outperforming the strongest tested baseline by 9.6 percentage points and matching or exceeding all baselines in all 20 settings. To the best of our knowledge, this is the first work to leverage discrete diffusion for warm-starting an LNS-based MAPF solver.
• Abstract（参考訳）: MAPF(Multi-Agent Path Finding, Multi-Agent Path Finding, MAPF)は、グローバルに一貫した衝突のない軌道を、個々の開始位置から、組み合わせ計画の複雑さの下で割り当てられた目標位置まで含むことを必要とする調整問題である。 密集した環境では、最適でない初期計画は複合的な紛争を引き起こし、実現可能な修復を妨げる。 LNS2のような修復ベースの解法の場合、初期計画の質は下流の修復に重大な影響を及ぼすが、この要因は未解明のままである。 本稿では,分散拡散確率モデル(D3PM)をLSS2と統合したハイブリッドフレームワークDiffLNSを提案する。 D3PMは、専門家によるデモンストレーションや複数の共同計画のサンプルから、調整されたマルチエージェントアクショントラジェクトリの時空間的先行を学習する、まばらな社会的注意を持つ初期化剤として機能する。 カテゴリー的行動空間を直接操作することで、MAPFの作用構造と多モード共同計画分布からのサンプルを保存し、近隣の修復に適した多様なドラフトを生成する。 これらのドラフトは下流の修復の温かいスタートとして機能し、未完成の軌道を完了し、固いMAPF制約の下で残った紛争を解決する。 実験の結果、96エージェントのインスタンスでのみトレーニングされているにもかかわらず、初期化器は推論時に最大312エージェントのシナリオに一般化されている。 20の複雑で混雑した設定で、DiffLNSは95.8%の平均的な成功率を達成し、最強の試験基準を9.6ポイント上回った。 我々の知る限りでは、これはLSSベースのMAPFソルバを温めるために離散拡散を利用する最初の試みである。

関連論文リスト

• Planner-Conditioned Diffusion for Coordinated Multi-Agent Exploration [7.151235176774153]
  協調型マルチエージェント探索は、エージェント間の効率的な個別のカバレッジと非冗長なカバレッジを必要とする。 グラフに基づくマルチエージェント探索のためのプランナー・コンディションド・ディフュージョン・ポリシー(PCDP)を提案する。
  論文  参考訳（メタデータ） (2026-08-17T08:07:20Z)
• Beyond Mode Collapse: Distribution Matching for Diverse Reasoning [69.88237286885065]
  GRPOのようなオンライン強化学習手法はモード崩壊に悩まされる。 このことは、逆KL最小化のモード探索行動に由来することを示す。 KL最小化の原理的近似によりモード崩壊を防止するDMPOを提案する。
  論文  参考訳（メタデータ） (2026-05-19T07:13:00Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• Vulnerable Agent Identification in Large-Scale Multi-Agent Reinforcement Learning [49.31650627835956]
  システムがスケールアップすると、部分的なエージェントの障害は避けられないものとなり、全体的なパフォーマンスが著しく低下するエージェントのサブセットを特定することが重要になる。 本稿では,大規模マルチエージェント強化学習(MARL)における脆弱性エージェント識別(VAI)問題について検討する。 実験により, 大規模MARLおよびルールベースシステムにおいて, より脆弱なエージェントを効果的に同定し, システムを悪用し, それぞれのエージェントの脆弱性を明らかにする値関数を学習した。
  論文  参考訳（メタデータ） (2025-09-18T16:03:50Z)
• Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
  マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。 離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。 本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
  論文  参考訳（メタデータ） (2025-08-27T17:59:36Z)
• FMIP: Joint Continuous-Integer Flow For Mixed-Integer Linear Programming [52.52020895303244]
  Mixed-Integer Linear Programming (MILP)は、複雑な意思決定問題の基本的なツールである。 混合整数線形計画法(FMIP)のための連立連続整数フローを提案する。これはMILPソリューションにおける整数変数と連続変数の共分散をモデル化する最初の生成フレームワークである。 FMIPは任意のバックボーンネットワークや様々なダウンストリームソルバと完全に互換性があり、現実世界のMILPアプリケーションにも適している。
  論文  参考訳（メタデータ） (2025-07-31T10:03:30Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• Toward multi-target self-organizing pursuit in a partially observable Markov game [34.22625222101752]
  本研究では,探索・追従における暗黙的協調機能を改善するために,分散化されたマルチエージェントシステムのためのフレームワークを提案する。 我々は,大規模な分散化,部分的な観察,非コミュニケーションを特徴とする,部分的に観測可能なマルコフゲーム(POMG)として自己組織化システムをモデル化する。 提案した分散アルゴリズムは, ファジィ自己組織化協調共進化(FSC2)を利用して, マルチターゲットSOPにおける3つの課題を解決する。
  論文  参考訳（メタデータ） (2022-06-24T14:59:56Z)
• Subdimensional Expansion Using Attention-Based Learning For Multi-Agent Path Finding [9.2127262112464]
  MAPF(Multi-Agent Path Finding)は、各開始点から目標地点までの複数のエージェントに対する競合のないパスを見つける。 我々は、この学習に基づくシングルエージェントプランナーをM*に統合することにより、LM*と呼ばれる新しいマルチエージェントプランナーを開発する。 以上の結果から,M* と比較した場合,LM* はコンフリクトが少なく,高速に動作し,高い成功率を享受できることがわかった。
  論文  参考訳（メタデータ） (2021-09-29T20:01:04Z)
• Loosely Synchronized Search for Multi-agent Path Finding with Asynchronous Actions [10.354181009277623]
  マルチエージェントパス検索(MAPF)は、各開始位置と目標位置の間の複数のエージェントの衝突のないパスのアンサンブルを決定する。 この記事では、エージェントが必ずしも同時に起動および停止しない非同期アクションによるMAPFの自然な一般化を紹介します。
  論文  参考訳（メタデータ） (2021-03-08T02:34:17Z)

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。