論文の概要: Varying Bundle Size Reactive Multi-Task Assignment using Selective Cost Estimation for Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2606.24462v1
• Date: Tue, 23 Jun 2026 11:55:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.933439
• Title: Varying Bundle Size Reactive Multi-Task Assignment using Selective Cost Estimation for Multi-Agent Systems
• Title（参考訳）: 多エージェントシステムにおける選択コスト推定を用いた可変バンドルサイズ反応性マルチタスクアサインメント
• Authors: Niklas Dahlquist, Shridhar Velhal, George Nikolakopoulos,
• Abstract要約: 本稿では,タスク実行コストを計算コストで見積もる複雑な環境において,マルチロボットタスク割り当てのためのスケーラブルなフレームワークを提案する。 分散された2段階の多要素バンドル生成手法によってこの問題に対処する。 エージェントは、低忠実度(ユークリッド距離など)でガイドされる局所探索木を用いて、バンドル空間を迅速に探索し、最も有望な候補にのみ高忠実な経路計画を適用する。 これらの改良された入札を中央コーディネータに送信し、セットパッキング問題を解決し、グローバルな実現可能性を確保し、全体の有用性を最大化する。
• 参考スコア（独自算出の注目度）: 13.636639880574492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a scalable framework for multi-robot task allocation in complex environments where estimating task execution costs is computationally expensive. While combinatorial auction-based approaches offer reliable solutions, the exponential complexity of bundle generation typically renders them intractable for real-time reactive applications, particularly when accurate path planning is required for cost validation. We address this through a distributed, two-stage multi-fidelity bundle generation approach. Agents utilize a local search tree guided by a low-fidelity heuristic (such as euclidean distance) to rapidly explore the bundle space, applying high-fidelity path planning only to the most promising candidates in a best-first manner. These refined bids are then submitted to a central coordinator that solves a set packing problem to ensure global feasibility and maximize the overall utility. Simulation results in multiple environments demonstrate that the framework is able to improve the performance of reactive auction-based task allocation. Overall, the presented framework is shown to enable reactive task allocation with dynamic bundle sizes in multiple settings without exposing the agents' state and internal cost estimation models.
• Abstract（参考訳）: 本稿では,タスク実行コストを計算コストで見積もる複雑な環境において,マルチロボットタスク割り当てのためのスケーラブルなフレームワークを提案する。 組合せオークションベースのアプローチは信頼性の高いソリューションを提供するが、バンドル生成の指数関数的な複雑さは、特にコスト検証に正確な経路計画を必要とする場合、特にリアルタイムのリアクティブアプリケーションにそれらを引き付けることができる。 分散された2段階の多要素バンドル生成手法によってこの問題に対処する。 エージェントは、低忠実なヒューリスティック(ユークリッド距離など)でガイドされた局所探索木を用いて、バンドル空間を迅速に探索し、最も有望な候補にのみ高忠実な経路計画を適用する。 これらの改良された入札を中央コーディネータに送信し、セットパッキング問題を解決し、グローバルな実現可能性を確保し、全体の有用性を最大化する。 複数の環境におけるシミュレーションの結果、このフレームワークはリアクティブオークションベースのタスク割り当ての性能を向上させることができることを示した。 提案したフレームワークは,エージェントの状態や内部コストの見積モデルを公開することなく,複数の設定で動的バンドルサイズでリアクティブタスク割り当てを可能にする。

関連論文リスト

• FlowBank: Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse [58.80348559239392]
  大規模言語モデル(LLM)ベースのマルチエージェントシステムはますます強力になっている。 タスクレベルのメソッドはかなりのオフライン計算に費やしますが、単一のワークフローのみをデプロイします。 クエリレベルのメソッドは、クエリ毎の新しいワークフローを相当なコストで合成する。 本稿では,ポートフォリオベースのエージェントワークフロー最適化フレームワークであるFlowBankを紹介する。
  論文  参考訳（メタデータ） (2026-06-09T17:58:21Z)
• Complete Cyclic Subtask Graphs for Tool-Using LLM Agents: Flexibility, Cost, and Bottlenecks in Multi-Agent Workflows [0.0]
  実行可能なサブタスクノードが完全に接続された完全巡回サブタスクグラフについて検討する。 タスク固有(Spec-Cyc)およびベンチマーク固有(Gen-Cyc)グラフをTextCraft, ALFWorld, Finance-Agent上で評価する。
  論文  参考訳（メタデータ） (2026-04-17T15:31:20Z)
• Do We Always Need Query-Level Workflows? Rethinking Agentic Workflow Generation for Multi-Agent Systems [72.3575737073235]
  マルチエージェントシステム(MAS)は、複数のエージェントを協調することで複雑なタスクを解決する。 既存のアプローチはタスクレベルかクエリレベルで生成されるが、その相対的なコストと利点は未だ不明である。 クエリレベルのワークフロー生成は必ずしも必要ではない、なぜなら、トップKレベルのタスクレベルの小さなセットが、すでに同等あるいはそれ以上のクエリをカバーしているからだ。
  論文  参考訳（メタデータ） (2026-01-16T10:05:51Z)
• BAMAS: Structuring Budget-Aware Multi-Agent Systems [18.99441110805831]
  大規模言語モデル(LLM)ベースのマルチエージェントシステムは、自律エージェントが複雑なタスクを解くための強力なパラダイムとして登場した。 予算を考慮したマルチエージェントシステム構築のための新しいアプローチであるBAMASを提案する。 その結果、BAMASはコストを最大86%削減しながら同等のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2025-11-26T16:48:18Z)
• A Unified Multi-Task Learning Framework for Generative Auto-Bidding with Validation-Aligned Optimization [51.27959658504722]
  マルチタスク学習は、これらのタスクを共有表現を通じて共同でトレーニングするための、原則化されたフレームワークを提供する。 既存のマルチタスク最適化戦略は、主にトレーニングダイナミクスによって導かれ、不安定な入札環境ではよく一般化される。 本稿では,タスク毎のトレーニング勾配と保留有効度勾配のアライメントに基づいてタスク重みを適応的に割り当てる,バリデーション適応型マルチタスク最適化(VAMO)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T03:59:51Z)
• Efficient LLM Collaboration via Planning [56.081879390960204]
  小規模で大規模なモデルでは、プランナーと実行担当者として交代で行動し、タスクを協調的に解決するために、多段階のカスケードでプランを交換する。 私たちはCOPEが大規模プロプライエタリモデルに匹敵するパフォーマンスを実現し,推論APIのコストを大幅に削減できることを実証した。
  論文  参考訳（メタデータ） (2025-06-13T08:35:50Z)
• Knowledge-Aware Iterative Retrieval for Multi-Agent Systems [0.0]
  本稿では,新しい大規模言語モデル (LLM) によるエージェントフレームワークを提案する。 動的に進化する知識を活用することで、クエリを反復的に洗練し、文脈的証拠をフィルタリングする。 提案システムは、更新されたコンテキストの競合的および協調的な共有をサポートする。
  論文  参考訳（メタデータ） (2025-03-17T15:27:02Z)
• PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving [89.60370366013142]
  制約,検証,選択という3つの重要な要素を持つモデルに依存しない,スケーラブルなエージェントフレームワークであるPlanGENを提案する。 具体的には、推論時間アルゴリズムの性能を向上させるために、制約誘導反復検証を提案する。
  論文  参考訳（メタデータ） (2025-02-22T06:21:56Z)
• Convergence Rates of Average-Reward Multi-agent Reinforcement Learning via Randomized Linear Programming [41.30044824711509]
  我々は,グローバル報酬が地域報酬の総和であり,共同政策がエージェントの限界と州全体の可観測性に分解される場合に焦点を当てる。 エージェントが局所的なサドル点問題を解き、局所的な重み付き平均化を行うマルチエージェント拡張を開発する。 準グロブリー最適解を得るためのサンプルの複雑さは、状態空間と作用空間の濃度に対する厳密な依存と一致することを確かめる。
  論文  参考訳（メタデータ） (2021-10-22T03:48:41Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。