論文の概要: Cooperative-ORCA*: Real-Time Proactive Deadlock Avoidance for Continuous-Space Multi-Agent Navigation

• arxiv url: http://arxiv.org/abs/2606.22757v1
• Date: Mon, 22 Jun 2026 01:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 04:51:06.803371
• Title: Cooperative-ORCA*: Real-Time Proactive Deadlock Avoidance for Continuous-Space Multi-Agent Navigation
• Title（参考訳）: Cooperative-ORCA*:Real-Time Proactive Deadlock Avoidance for Continuous-Space Multi-Agent Navigation
• Authors: Junfeng Wu, Jiaqi Chen, Hongkun Lyu, Kevin Zheng, Andy Li,
• Abstract要約: MAPF(Multi-Agent Path Finding)は、エージェントの集合に対する衝突のない経路の計算を必要とする問題である。 ORCA*はリアルタイムMAPFソルバで、各タイムステップに各エージェントの速度を割り当てる。 C-ORCA*とC-ORCA*-MAPFを導入する。
• 参考スコア（独自算出の注目度）: 17.825978729158148
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-Agent Path Finding (MAPF) is a problem that requires computing collision-free paths for a set of agents from their start locations to designated goal locations. The problem has broad applications in domains where teams of robots must operate in a coordinated manner. ORCA* is a real time MAPF solver that assigns for each timestep a velocity for each agent. Due to its real time nature, it is myopic to future deadlocks that result from current decisions. ORCA*-MAPF attempts to remedy this limitation by introducing fallback mechanisms when deadlocks are detected. However, post hoc interventions often introduce significant flowtime overhead. In this paper, we introduce C-ORCA* and C-ORCA*-MAPF, continuous space MAPF algorithms that incorporate agents' entire spatial trajectory and their spatial dependencies to proactively prevent deadlocks from occurring, thus avoiding the high flowtime overhead associated with post hoc corrections in ORCA*-MAPF. The C-ORCA* family of algorithms significantly outperform previous state-of-the-art in terms of solve rate, runtime, and flowtime.
• Abstract（参考訳）: MAPF(Multi-Agent Path Finding)は、開始地点から指定された目標地点までの一連のエージェントに対して衝突のない経路を計算する必要がある問題である。 この問題は、ロボットのチームが協調的に操作しなければならない領域において幅広い応用がある。 ORCA*はリアルタイムMAPFソルバで、各タイムステップに各エージェントの速度を割り当てる。 リアルタイム性のため、現在の決定によって引き起こされる将来のデッドロックには筋が通っている。 ORCA*-MAPFはデッドロックの検出時にフォールバック機構を導入することにより、この制限を緩和しようとする。 しかし、ポストホックの介入は、しばしば大きなフロータイムオーバーヘッドをもたらす。 本稿では,C-ORCA* と C-ORCA*-MAPF を導入し,エージェントの空間軌道全体とその空間依存性を組み込んだ連続空間MAPF アルゴリズムによりデッドロックの発生を積極的に防止し,ORCA*-MAPF におけるポストホック補正に伴う高流量オーバーヘッドを回避する。 C-ORCA*アルゴリズムのファミリーは、解決率、実行時間、フロータイムの点で、従来の最先端のアルゴリズムを著しく上回っている。

関連論文リスト

• Learning to Communicate Locally for Large-Scale Multi-Agent Pathfinding [48.1609560841622]
  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)
• RAFT-MSF++: Temporal Geometry-Motion Feature Fusion for Self-Supervised Monocular Scene Flow [51.43025173196566]
  単眼のシーンフロー推定は画像列から高密度な3次元動きを復元することを目的としている。 RAFT-MSF++は,時間的特徴を融合して深度とシーンフローを推定する自己教師型マルチフレームフレームワークである。 実験の結果、RAFT-MSF++はKITTI Scene Flowベンチマークで24.14%のSF-allを達成した。
  論文  参考訳（メタデータ） (2026-04-21T11:32:49Z)
• Conflict-Based Search for Multi Agent Path Finding with Asynchronous Actions [7.042035340772298]
  MAPF(Multi-Agent Path Finding)は、各開始地点から各目標地点まで、複数のエージェントの衝突のない経路を求める。 既存のMAPFアルゴリズムの多くは、すべてのエージェントのアクションが同時に始まり、常に時間単位を取るという、同期されたアクションの一般的な仮定に依存している。 本稿では,MAPF-AAの完全性と解の最適性を保証する新しい手法である Conflict-based Search with Asynchronous Actions (CBS-AA) を提案する。
  論文  参考訳（メタデータ） (2026-03-19T13:12:27Z)
• 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)
• Decentralised Approach for Multi Agent Path Finding [6.599344783327053]
  MAPF (Multi Agent Path Finding) は、空間的に拡張されたエージェントに対する競合のない経路の同定を必要とする。 これらは、Convoy Movement ProblemやTraning Schedulingといった現実世界の問題に適用できる。 提案手法であるDecentralized Multi Agent Path Finding (DeMAPF) は、MAPFを経路計画と割り当ての問題の系列として扱う。
  論文  参考訳（メタデータ） (2021-06-03T18:07:26Z)
• A Combination of Theta*, ORCA and Push and Rotate for Multi-agent Navigation [0.0]
  集中制御器が存在しない場合の静的環境におけるマルチエージェントナビゲーションの問題点について検討する。 各エージェントは個別に制御され、目標を達成するために3つのアルゴリズムコンポーネントに依存します。
  論文  参考訳（メタデータ） (2020-08-03T22:22:43Z)

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。