論文の概要: Learning Altruistic Collaboration in Heterogeneous Multi-Team Systems

• arxiv url: http://arxiv.org/abs/2605.21723v1
• Date: Wed, 20 May 2026 20:30:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.988862
• Title: Learning Altruistic Collaboration in Heterogeneous Multi-Team Systems
• Title（参考訳）: 異種多チームシステムにおけるアルトゥリスティックコラボレーションの学習
• Abstract要約: 異種機能,転送コスト,能力依存型コントリビューションを備えた多チーム協調型リソースアロケーションフレームワークを提案する。 我々は、ハミルトンの法則に基づく利他的割当を近似する集中トレーニングと分散実行の下で、グラフニューラルネットワークポリシーを開発する。 提案手法は, シミュレーションと実験により, 火災防火シナリオで検証し, 学習方針がほぼ最適性能を達成できることを実証した。
• 参考スコア（独自算出の注目度）: 5.584459863976047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies heterogeneous multi-team collaboration through dynamic robot allocation, where robots are treated as transferable resources. Leveraging Hamilton's rule from ecology as an altruistic decision-making mechanism, we propose a multi-team collaborative resource allocation framework with heterogeneous capabilities, transfer costs, and capability-dependent contributions. The resulting allocation problem is combinatorial and is shown to be NP-hard. To address scalability, we develop a graph neural network policy under centralized training and decentralized execution that approximates the altruistic allocations based on Hamilton's rule. The model operates over the team interaction graph and predicts robot-level transfer decisions and next robot-to-team assignments. The proposed approach is validated in a firefighting scenario through simulations and experiments, demonstrating that the learned policy achieves near-optimal performance while scaling to larger systems.
• Abstract（参考訳）: 本稿では,ロボットを移動可能な資源として扱う動的ロボットアロケーションによる異種多チームコラボレーションについて検討する。 ハミルトンの法則を利他的意思決定機構として活用し、異種機能、転送コスト、能力に依存した貢献を伴う多チーム共同資源配分フレームワークを提案する。 結果として生じる割当問題は組合せ的であり、NPハードであることが示されている。 スケーラビリティに対処するため,ハミルトンの法則に基づく利他的アロケーションを近似した,集中型トレーニングと分散実行に基づくグラフニューラルネットワークポリシを開発した。 このモデルは、チームのインタラクショングラフ上で動作し、ロボットレベルの転送決定と、次のロボット対チームの割り当てを予測する。 提案手法は, シミュレーションと実験により, 大規模システムへのスケーリングにおいて, 学習方針がほぼ最適性能を達成できることを実証し, 消火シナリオで検証した。

関連論文リスト

• Auction-Consensus Algorithm with Learned Bidding Scheme for Multi-Robot Systems [16.187002302872028]
  Auction-Consensusアルゴリズムは、証明可能な収束を伴うスケーラブルな分散調整を提供する。 本稿では、CBBAの決定論的入札機構を強化学習を用いて訓練されたニューラル入札ポリシーに置き換える学習強化オークション・コンセンサス・フレームワークを提案する。 様々なSwarmサイズにまたがる実験結果から、学習入札政策は古典的なCBBAよりも解の質を向上させることが示されている。
  論文  参考訳（メタデータ） (2026-05-21T03:00:47Z)
• Capability-Aware Shared Hypernetworks for Flexible Heterogeneous Multi-Robot Coordination [1.5970870882365]
  マルチロボットチームのための能力認識共有ハイパーネットワークス(CASH)を提案する。 CASHは、ハイパーネットワークを使用してフレキシブルな共有ポリシを効率的に学習する、ソフトウェイト共有アーキテクチャである。 トレーニングとゼロショットの一般化の両方において、CASHは性能とサンプル効率の点で、ベースラインアーキテクチャを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-01-10T15:39:39Z)
• A Local Information Aggregation based Multi-Agent Reinforcement Learning for Robot Swarm Dynamic Task Allocation [4.144893164317513]
  分散化された部分観測可能なマルコフ決定プロセス(Dec_POMDP)を用いた新しいフレームワークを提案する。 我々の方法論の核心は、局所情報集約多元決定政策勾配(LIA_MADDPG)アルゴリズムである。 実験により,LIAモジュールは様々なCTDEベースのMARL法にシームレスに統合可能であることが示された。
  論文  参考訳（メタデータ） (2024-11-29T07:53:05Z)
• Distributed Autonomous Swarm Formation for Dynamic Network Bridging [40.27919181139919]
  離散化された部分観測可能なマルコフ決定過程(Dec-POMDP)における動的ネットワークブリッジ問題について定式化する。 グラフ畳み込み強化学習(DGN)に基づく問題に対するマルチエージェント強化学習(MARL)アプローチを提案する。 提案手法はシミュレーション環境で評価し,将来性を示す集中型ベースラインと比較した。
  論文  参考訳（メタデータ） (2024-04-02T01:45:03Z)
• Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
  分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。 動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:21:11Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement Learning Approach [123.55983746427572]
  本稿では,複数ラウンドの対話を通して動的ビックレー・クラーク・グローブ(VCG)機構を回復するための新しい学習アルゴリズムを提案する。 当社のアプローチの重要な貢献は、報酬のないオンライン強化学習(RL)を取り入れて、リッチな政策分野の探索を支援することである。
  論文  参考訳（メタデータ） (2022-02-25T16:17:23Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。