論文の概要: The Evaluation Cost of Task Specialization in Evolutionary Multi-Robot Systems
- arxiv url: http://arxiv.org/abs/2606.24191v1
- Date: Tue, 23 Jun 2026 06:20:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.803553
- Title: The Evaluation Cost of Task Specialization in Evolutionary Multi-Robot Systems
- Title（参考訳）: 進化型マルチロボットシステムにおけるタスクスペシャライゼーションの評価コスト
- Authors: Paolo Leopardi, Heiko Hamann, Jonas Kuckling, Tanja Katharina Kaiser,
- Abstract要約: 本研究では, 生産シナリオにおけるタスク・スペシャリストとジェネラリストの行動のコスト・ベネフィット分析について検討する。
MRSの規模が大きくなると、総評価予算が低くなり、ジェネラリストに勝るスペシャリストを進化させるのに十分であることを示す。
- 参考スコア（独自算出の注目度）: 4.724825031148412
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Task specialization can improve the efficiency of multi-robot systems (MRSs). Previous works have investigated the emergence of task-specialist robot controllers through evolutionary optimization and have argued that task specialization is more likely to evolve when subtask behaviors are readily available as building blocks. However, the available evaluation budget must be distributed across all subtasks, whereas a single generalist behavior can exploit the entire budget for its own optimization. We present a cost-benefit analysis of evolving task-specialist versus generalist behaviors in a foraging scenario here. In a physics-based robotics simulator, we study the total evaluation budget required to evolve task-specialist behaviors that outperform generalist behaviors across MRS sizes. We show that with increasing MRS size, a lower total evaluation budget is sufficient to evolve specialists that outperform generalists.
- Abstract（参考訳）: タスクの特殊化はマルチロボットシステム(MRS)の効率を向上させることができる。
従来の研究は、進化最適化を通じてタスクスペシャリストロボットコントローラの出現を調査しており、サブタスクの動作がビルディングブロックとして容易に利用できる場合にタスクスペシャライゼーションが進化する可能性が高いと主張した。
しかし、利用可能な評価予算はすべてのサブタスクに分散する必要がある。
ここでは,進化するタスク・スペシャリストとジェネラリストの行動のコスト・ベネフィット分析について述べる。
物理学に基づくロボティクスシミュレータでは、MSSサイズで一般的な振る舞いを上回るタスク・スペシャリストの振る舞いを進化させるために必要な総合的な評価予算について検討する。
MRSの規模が大きくなると、総評価予算が低くなり、ジェネラリストに勝るスペシャリストを進化させるのに十分であることを示す。
関連論文リスト
- On the Cost of Evolving Task Specialization in Multi-Robot Systems [4.724825031148412]
タスクの特殊化は、より単純なロボットの動作と、マルチロボットシステムにおける高い効率をもたらす可能性がある。
従来の研究は、コストよりも実現可能性に焦点をあてて、進化的最適化中にタスクの特殊化が出現したことを示している。
我々は,タスク全体に対する汎用的な行動として,限られた評価予算内でサブタスクに対するタスク特殊主義的な行動として,人工ニューラルネットワークを進化させる。
論文 参考訳（メタデータ） (2026-03-10T12:01:03Z) - Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。
Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
論文 参考訳（メタデータ） (2025-05-26T09:46:50Z) - Predicting Multi-Agent Specialization via Task Parallelizability [8.465921582175426]
タスクレギュラーやチームサイズに応じて、特殊化がパフォーマンスを改善することを予測したクローズドフォーム境界を示す。
反対のベンチマークを表す2つの標準MARLベンチマークでモデルを検証した。
Overcooked-AIにおける3つのフォローアップ実験は、このモデルがより複雑な空間的および資源的ボトルネックを持つ環境で動作することを示した。
論文 参考訳（メタデータ） (2025-03-19T21:33:48Z) - COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。
提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。
実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2024-09-23T15:53:41Z) - SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation [62.58480650443393]
Segment Anything (SAM) は、一般化可能なシーン理解とシーケンス模倣のための視覚境界モデルである。
我々は,単一パスにおけるアクションシーケンスの予測を可能にする,新しいマルチチャネルヒートマップを開発した。
論文 参考訳（メタデータ） (2024-05-30T00:32:51Z) - RH20T-P: A Primitive-Level Robotic Dataset Towards Composable Generalization Agents [105.13169239919272]
プリミティブレベルのロボット操作データセットであるRH20T-Pを提案する。
実際のシナリオで67種類の操作タスクをカバーする約38Kのビデオクリップが含まれている。
我々は、計画実行CGAパラダイムを標準化し、RH20T-PにRA-Pと呼ばれる典型的なベースラインを実装します。
論文 参考訳（メタデータ） (2024-03-28T17:42:54Z) - Harnessing Pre-trained Generalist Agents for Software Engineering Tasks [13.733085206098258]
深層強化学習(DRL)は、ゲームテストやジョブショップスケジューリング問題の解決といった複雑なタスクの自動化に成功している。
専門のDRLエージェントは、他のタスクへの一般化性の欠如に悩まされており、効果的に開発および再訓練するためのかなりの時間を必要としている。
近年、DRL研究者は、様々な環境からポリシーを学習し、新しいタスクにおけるスペシャリストと同等以上のパフォーマンスを達成できるジェネラリストエージェントの開発を開始している。
論文 参考訳（メタデータ） (2023-12-24T18:39:58Z) - Specialist or Generalist? Instruction Tuning for Specific NLP Tasks [58.422495509760154]
包括的汎用的チューニングを取り入れることで,スペシャリストモデルの構築に寄与するかどうかを検討する。
実験では,異なる範囲で4つの目標タスクを評価した。
この効果は、タスク固有のトレーニングデータの量が限られている場合に特に顕著である。
論文 参考訳（メタデータ） (2023-10-23T19:46:48Z) - In Defense of the Unitary Scalarization for Deep Multi-Task Learning [121.76421174107463]
本稿では,多くの特殊マルチタスクを正規化の形式として解釈できることを示唆する理論解析について述べる。
標準正規化と安定化技術と組み合わせると、ユニタリスカラー化は複雑なマルチタスクの性能にマッチし、改善することを示す。
論文 参考訳（メタデータ） (2022-01-11T18:44:17Z) - Multi-Robot Task Allocation -- Complexity and Approximation [37.231854068835005]
マルチロボットタスクアロケーションは、探索、救助、地域探索など、様々な現実世界のロボットアプリケーションに不可欠である。
単一タスクロボットとマルチロボットタスク 即時アサインメント(ST-MR-IA)では、各タスクに少なくとも1つのロボットが必要であり、各ロボットは1つのタスクで作業可能であり、各タスクに対して運用コストがかかる。
論文 参考訳（メタデータ） (2021-03-23T08:12:27Z)
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。