論文の概要: CADENCE: Predicting Realized MAPF Execution Time Beyond Sum of Costs

• arxiv url: http://arxiv.org/abs/2606.04746v1
• Date: Wed, 03 Jun 2026 11:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.707025
• Title: CADENCE: Predicting Realized MAPF Execution Time Beyond Sum of Costs
• Title（参考訳）: CADENCE: MAPFの実行時間予測はコストの上限を超える
• Authors: Abhishek S, Badrikanath Praharaj, Sreeram MV,
• Abstract要約: Multi-Agent Path Finding (MAPF)アルゴリズムは、産業倉庫やロボット共有ワークスペースにおけるロボットチームの動きを計画するために、ますます使われている。 しかし、SoC(Sum of Costs)やMakepan、プランナーランタイムといった標準的なMAPFアルゴリズム評価メトリクスは、プランナーの選択が現実的な実行パフォーマンスにどのように変換するかを曖昧にします。 CADENCEは、7つのディファレンシャルドライブロボットを用いた固定された7×7ワークセル上のこの評価ギャップに関するハードウェア研究である。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-Agent Path Finding (MAPF) algorithms are increasingly used to plan motion for robot teams in industrial warehouses and robotic shared workspaces, but standard MAPF algorithm evaluation metrics, such as Sum of Costs (SoC), makespan, and planner runtime, can obscure how planner choices translate into realistic execution performance. We present CADENCE (Coordination and Action-Driven Estimation for Networked Continuous Execution), a hardware study of this evaluation gap on a fixed 7 by 7 workcell with seven differential drive robots, asking which features available before execution can best predict final wall-clock completion time. We compare SoC, total planned travel cost, primitive motion burden (how much basic motion the plan requires, such as makespan, turns, consecutive moves, and start-stop transitions), and interaction aware coordination structure (how much inter-robot coordination the plan induces, such as dependency links, interacting robot pairs, dependency depth, and crowding exposure). To test this, we generate 120 plans across 15 scenarios -- 5 Empty, 5 Medium Random, and 5 Bottleneck and execute each plan four times, yielding a 480 trial hardware corpus. Using both a scenario-held -- out ridge model and a trial-level mixed-effects model, we find that SoC alone is informative but incomplete, while primitive motion burden gives the strongest improvement, reducing held out error by about 48.6%-59.8% in MAE and 44.2%-61.4% in RMSE relative to SoC-only models. Interaction-aware coordination features add smaller, less uniform gains, most clearly in the mixed-effects analysis. Across both models and uncertainty checks, primitive motion burden is the most reliable additional signal beyond SoC, suggesting that much of the execution time gap is already visible in the offline plan before any robot starts moving.
• Abstract（参考訳）: Multi-Agent Path Finding (MAPF)アルゴリズムは、産業倉庫やロボット共有ワークスペースにおけるロボットチームのための動作計画にますます使用されるが、Sum of Costs (SoC)、mespan、プランナーランタイムといった標準的なMAPFアルゴリズム評価メトリクスは、プランナーの選択が現実的な実行パフォーマンスにどのように変換するかを曖昧にする。 ネットワーク連続実行におけるCADENCE(Coordination and Action-Driven Estimation for Networked Continuous Execution)は、7つのディファレンシャルドライブロボットを用いた固定された7×7ワークセル上のこの評価ギャップのハードウェア研究であり、実行前にどの機能を利用できるかが最終壁面完了時間を予測するのに最適である。 我々は、SoC、総旅行コスト、プリミティブな動作負担(メイスパン、ターン、連続移動、スタートストップ遷移など、計画に必要な基本的な動き)、相互作用に敏感な協調構造(依存関係リンク、ロボットペアの相互作用、依存性深さ、群集露出など、計画のロボット間調整の程度)を比較した。 これをテストするために、15のシナリオ – 5 Empty、5 Medium Random、5 Bottleneck – にわたって120のプランを生成し、各プランを4回実行し、480のトライアルハードウェアコーパスを生成します。 シナリオ付き -- 尾根モデルと試行レベルの混合効果モデルの両方を用いて、SoCのみは有益だが不完全であるのに対し、原始的な運動負荷は最大の改善をもたらし、MAEでは48.6%-59.8%、RMSEでは44.2%-61.4%である。 インタラクション対応のコーディネーション機能によって、より小さく、より均一なゲインが生まれます。 モデルと不確実性チェックの両方において、プリミティブな動きの重み付けは、SoC以外の最も信頼性の高い追加信号であり、ロボットが動き始める前に、実行時間ギャップの大部分が既にオフラインプランで見ることができることを示唆している。

関連論文リスト

• PACE: Phase-Aware Chunk Execution for Robot Policies with Action Chunking [37.9894332388921]
  PACEは、予測チャンク自身からオンラインで実行地平線を選択する、トレーニング不要なテスト時間実行方法である。 PACEは予測されたアクションチャンクのみを使用するため、プラグアンドプレイであり、ポリシー内部への再トレーニングやアクセスは不要である。 我々はシミュレーションと実ロボット設定の両方で大規模な評価によってPACEを検証する。
  論文  参考訳（メタデータ） (2026-05-30T05:11:06Z)
• Object-Informed Model Predictive Path Integral Control for Non-Prehensile Robot Manipulation [7.6557550594212715]
  非包括的ロボット操作のための長期計画は、不安定で不連続な相互作用のために困難である。 本稿では,モデル予測経路積分(MPPI)制御の階層的定式化を提案する。 6-DoF xArm6 マニピュレータを用いて物体押出作業を行うシミュレーションとハードウェアの両方で本手法の評価を行った。
  論文  参考訳（メタデータ） (2026-05-29T03:10:44Z)
• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。 既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。 本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• Time-series Meets Complex Motion Modeling: Robust and Computational-effective Motion Predictor for Multi-object Tracking [0.0]
  マルチオブジェクトトラッキング(MOT)は、監視、自律運転、ロボット工学など、多くの現実世界の応用において重要である。 我々は,拡張畳み込みと回帰ヘッドを備えた時間畳み込みネットワーク(TCN)を改良したMOTのための新しいフレームワークであるTCMP(Temporal Convolutional Motion Predictor)を紹介する。 実験結果から,提案手法は最先端性能を実現し,特にいくつかの重要な指標において,従来のベストメソッドの改善を図っている。
  論文  参考訳（メタデータ） (2026-05-01T02:51:59Z)
• UMBRELLA: Uncertainty-aware Multi-robot Reactive Coordination under Dynamic Temporal Logic Tasks [5.794342083222513]
  本稿では,動的および移動目標を含む協調作業のためのマルチロボットシステムのコーディネート問題に対処する。 コンフォーマル予測(CP)による目標運動予測の不確かさを明示的にモデル化する。 提案するフレームワーク (UMBRELLA) は,MCTS (Monte Carlo Tree Search) を部分計画と不確実性を考慮したロールアウトに組み合わせたものだ。
  論文  参考訳（メタデータ） (2026-03-26T12:40:04Z)
• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• RobKiNet: Robotic Kinematics Informed Neural Network for Optimal Robot Configuration Prediction [5.570224095327175]
  タスク・アンド・モーション・プランニング(TAMP)は、ロボットが世界と対話し、複雑なタスクを遂行するために不可欠である。 本稿では,タスク層と動作層の間のブリッジとして,ロボットキネマティクスインフォームドニューラルネットワーク(RobKiNet)というフレームワークを提案する。 RobKiNetは、キネマティック知識をニューラルネットワークに統合し、効率的な構成予測が可能なモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-26T03:54:32Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。