論文の概要: P-ARC: Exploiting Subproblem Independence for Parallel Multi-Robot Motion Planning
- arxiv url: http://arxiv.org/abs/2606.27625v1
- Date: Fri, 26 Jun 2026 00:48:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.331848
- Title: P-ARC: Exploiting Subproblem Independence for Parallel Multi-Robot Motion Planning
- Title（参考訳）: P-ARC:並列多足歩行計画のためのサブプロブレム独立の爆発
- Abstract要約: マルチロボットモーションプランニング(MRMP)への適応型ロボットコーディネート(ARC)アプローチの並列版を提案する。
P-ARCは、ARCの3つの主要なステージ(初期個々の解、競合検出、競合解決)のそれぞれに並列な変種を提案する。
我々は、ARCとP-ARCの両方にOR並列マルチスタート戦略を採用し、ハイブリッド並列戦略OR-P-ARCを作成している。
- 参考スコア（独自算出の注目度）: 1.0781866671930855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents Parallel ARC (P-ARC), a parallel variant of the Adaptive Robot Coordination (ARC) approach to multi-robot motion planning (MRMP). P-ARC proposes a parallel variant for each of the three main stages in ARC: initial individual solutions, conflict detection, and conflict resolution, exploiting the independence created by ARC's decomposition of the MRMP problem. Additionally, we employ an OR-parallel multi-start strategy to both ARC and P-ARC, creating a hybrid parallel strategy OR-P-ARC. We evaluate the impact of the different parallel strategies for ARC using a set of scaling 2D mobile and planar manipulator scenarios with up to 128 robots to control for conflicts and work distribution across the stages of ARC. Additionally, we demonstrate planning time speedups approaching 4X over the sequential version for large Panda multi-manipulator teams in real-world inspired scenarios when deploying 16 CPU cores.
- Abstract（参考訳）: 本稿では,マルチロボットモーションプランニング(MRMP)への適応ロボットコーディネート(ARC)アプローチの並列版であるParallel ARC(P-ARC)を提案する。
P-ARCは、ARCの3つの主要なステージ(初期個々の解、競合検出、競合解決)のそれぞれに並列な変種を提案し、ARCのMRMP問題の分解によって生成された独立性を活用している。
さらに、ARCとP-ARCの両方にOR並列マルチスタート戦略を採用し、ハイブリッド並列戦略OR-P-ARCを作成する。
128台のロボットによる2Dモバイルおよび平面マニピュレータシナリオのスケーリングを用いてARCの異なる並列戦略の影響を評価し,ARCの段階間での競合や作業の分散を制御した。
さらに,16個のCPUコアをデプロイする際の実世界のシナリオにおいて,大規模なPandaマルチマニピュレータチームのためのシーケンシャルバージョンよりも4Xに近づく計画タイムスピードアップを実演する。
関連論文リスト
- ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning [15.386892174588368]
ARCANAは各タスクを反復的知覚、仮説生成、象徴的実行、反射的洗練に分解する。
この設計は、構造化されたプログラム探索と適応的な多重ターン補正を組み合わせることで、推論効率と解の質を向上させる。
論文 参考訳（メタデータ） (2026-07-10T03:03:42Z) - AO-ARC: Almost-Surely Asymptotically Optimal Multi-Robot Motion Planning with ARC [1.0781866671930855]
AO-ARCは、最先端のMRMP実現可能性解決器と同等の解解時間を実現するための、常時マルチロボットモーションプランニング(MRMP)手法である。
AO-ARCは、有界MRMPインスタンス上で元のARCメソッドを反復的に呼び出すことで、実現可能性ソルバを任意のアルゴリズムに変換するためにAO-xメタアルゴリズムを適用する。
論文 参考訳（メタデータ） (2026-06-25T19:20:26Z) - Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators [1.157930969832493]
マニピュレータの関節空間における計画は、非可逆的な前方運動学による重要な課題を呈する。
Many-RRT* は RRT*-Connect の拡張であり、複数の目標を並行して計画している。
論文 参考訳（メタデータ） (2026-03-04T19:31:37Z) - Overlapping Domain Decomposition for Distributed Pose Graph Optimization [16.747729727115786]
ROBOは、ポーズグラフ最適化(PGO)のための分散並列アプローチである
隣接するロボット間で追加のポーズ情報を共有することで、基礎となるポーズグラフに重複する最適化ブロックを効果的に生成する。
ロボット間の平均データコストが1イテレーションあたり36Kbと重なると、最先端の分散PGOアプローチよりも3.1$times$高速になることを示す。
論文 参考訳（メタデータ） (2026-03-03T20:12:56Z) - Wireless Federated Multi-Task LLM Fine-Tuning via Sparse-and-Orthogonal LoRA [61.12136997430116]
低ランク適応(LoRA)に基づく分散連合学習(DFL)により、マルチタスクデータセットを持つモバイルデバイスは、ローカルに更新されたパラメータを、無線接続を介して近隣デバイスのサブセットと交換することで、大きな言語モデル(LLM)を協調的に微調整することができる。
不均一データセットに微調整されたパラメータを直接集約すると、DFLライフサイクルの3つの主要な問題が発生する: (i) 微調整プロセス中に忘れる破滅的な知識、(ii) データの異種性に起因する更新方向の矛盾に起因する。
論文 参考訳（メタデータ） (2026-02-24T02:45:32Z) - Learning to Share: Selective Memory for Efficient Parallel Agentic Systems [49.78267008828593]
エージェントシステムは、反復的に推論する複数のエージェントを調整することで複雑なタスクを解決し、ツールを呼び出し、中間結果を交換する。
最近のアプローチでは、さまざまな推論の軌跡を探索するために、複数のエージェントチームが並行して運用されている。
我々は並列エージェントフレームワークのための学習された共有メモリ機構であるLearning to Share (LTS)を提案する。
論文 参考訳（メタデータ） (2026-02-05T18:20:21Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Multiverse: Your Language Models Secretly Decide How to Parallelize and Merge Generation [20.117825519637357]
並列生成が可能な新しい生成モデルであるMultiverseを導入する。
次に,データ,アルゴリズム,システムの共設計キュレーションを用いた実世界のマルチバース推論モデルを構築した。
データ作成のために,自動LLM支援パイプラインであるMultiverse Curatorを開発した。
また、並列推論をサポートするために、Multiverse Engineを実装しています。
論文 参考訳（メタデータ） (2025-06-11T17:59:23Z) - Reinforcement learning with combinatorial actions for coupled restless bandits [62.89013331120493]
提案するSEQUOIAは,動作空間に対する長期報酬を直接最適化するRLアルゴリズムである。
我々は,複数介入,経路制約,二部間マッチング,容量制約という,制約を伴う4つの新しいレスレス・バンディット問題に対して,SEQUOIAを実証的に検証した。
論文 参考訳（メタデータ） (2025-03-01T21:25:21Z) - APB: Accelerating Distributed Long-Context Inference by Passing Compressed Context Blocks across GPUs [81.5049387116454]
我々は、効率的な長文推論フレームワークであるAPBを紹介する。
APBはプリフィル速度を高めるためにマルチホスト近似アテンションを使用する。
APBはFlashAttn、RingAttn、StarAttnと比較して最大9.2x、4.2x、1.6xの速度を実現している。
論文 参考訳（メタデータ） (2025-02-17T17:59:56Z) - MALib: A Parallel Framework for Population-based Multi-agent
Reinforcement Learning [61.28547338576706]
人口ベースマルチエージェント強化学習(PB-MARL)は、強化学習(RL)アルゴリズムでネストした一連の手法を指す。
PB-MARLのためのスケーラブルで効率的な計算フレームワークMALibを提案する。
論文 参考訳（メタデータ） (2021-06-05T03:27:08Z)
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。