論文の概要: Min-Max Regret Task Allocation and Planning of Heterogeneous Multi-Robot System in Partially Known Environments

• arxiv url: http://arxiv.org/abs/2607.13403v1
• Date: Wed, 15 Jul 2026 02:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.627926
• Title: Min-Max Regret Task Allocation and Planning of Heterogeneous Multi-Robot System in Partially Known Environments
• Title（参考訳）: 部分的環境下での不均一なマルチロボットシステムの最小レグレトタスク割り当てと計画
• Abstract要約: 本稿では,スケーラビリティを犠牲にすることなく,高レベルの論理的制約と環境不確実性を同時に扱う,堅牢な計画枠組みを提案する。 提案手法は,ロボットやタイプ数に関してほぼ直線的なスケーラビリティを実現し,ソリューションの品質と計算効率の両方においてMILPベースのベースラインを大幅に上回っていることを示す。
• 参考スコア（独自算出の注目度）: 5.229463033279081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient task allocation for large-scale Heterogeneous Multi-Robot Systems (HMRS) is critical, yet dealing with complex temporal logic tasks in partially known environment (PKE) remains a computational bottleneck. Existing approaches often struggle to balance exploring uncertain regions and exploiting known resources, while also suffering from exponential computational complexity. To address these issues, this paper presents a robust planning framework that simultaneously handles high-level logical constraints and environmental uncertainty without sacrificing scalability. We formulate the problem as a min-max regret optimization, proposing a Region-Binding Atomic Proposition (RbAP) to capture resource uncertainty within the automaton structure. To solve this, we propose the Extended Planning Decision Tree (E-PDT) equipped with a novel Regret-based Branch-and-Bound (BnB) strategy. Unlike traditional methods that rely on prior probabilities or worst-case analysis, our approach dynamically prunes suboptimal policies, effectively balancing the need for information gathering (exploration) and task completion (exploitation). Theoretical analysis confirms the feasibility and completeness of our approach. Extensive numerical and physical experiments demonstrate that the proposed framework achieves near-linear scalability with respect to the number of robots and types, significantly outperforming MILP-based baselines in both solution quality and computational efficiency.
• Abstract（参考訳）: 大規模異種多ロボットシステム(HMRS)の効率的なタスク割り当ては重要であるが、部分的に知られている環境(PKE)における複雑な時間論理的タスクには計算ボトルネックが残っている。 既存のアプローチは、不確実な領域の探索と既知の資源の活用のバランスをとるのに苦労するが、指数計算の複雑さにも悩まされる。 これらの課題に対処するために,スケーラビリティを犠牲にすることなく,高レベルの論理的制約と環境不確実性を同時に処理する,堅牢な計画フレームワークを提案する。 我々は、この問題を最小限の後悔最適化として定式化し、領域結合原子配置(RbAP)を提案し、オートマトン構造内の資源の不確かさを捉える。 そこで本研究では,Regret-based Branch-and-Bound(BnB)戦略を取り入れた拡張計画決定木(E-PDT)を提案する。 先行確率や最悪のケース分析に依存する従来の手法とは異なり、我々の手法は動的に準最適政策を創り出し、情報収集(探索)とタスク完了(探索)の必要性を効果的にバランスさせる。 理論的解析により,本手法の有効性と完全性が確認された。 大規模数値および物理実験により,提案手法はロボットや型の数に対してほぼ直線的なスケーラビリティを実現し,MILPベースのベースラインを解法品質と計算効率の両方で著しく上回った。

関連論文リスト

• DARRMS -- An Efficient Algorithm for Dynamic Attention Radius in Resource-Constrained Multi-Agent Systems [0.0]
  本稿では,計算資源の需要を低減できる新しいアルゴリズムを提案する。 エージェントは、その観測可能性をある程度の注意半径に制限し、故意に行動計画に不必要な環境の一部を無視することを可能にする。
  論文  参考訳（メタデータ） (2026-06-10T19:14:56Z)
• Scalable Inspection Planning via Flow-based Mixed Integer Linear Programming [8.568142982906755]
  検査計画とは、最短のロボット経路を計算して、与えられた一連の関心点を検査することである。 我々は、GIPのための高度にスケーラブルな混合線形プログラミング(MILP)ソリューションを提案し、ランタイムとソリューションの品質の両方において最先端の技術を著しく向上させます。
  論文  参考訳（メタデータ） (2026-03-17T14:40:26Z)
• 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)
• Hierarchical Budget Policy Optimization for Adaptive Reasoning [49.621779447691665]
  階層的予算政策最適化(Hierarchical Budget Policy Optimization, HBPO)は、モデルが問題固有の推論深度を犠牲にすることなく学習できる強化学習フレームワークである。 HBPOは、探索空間を予算制約付き階層(512-2560トークン)に分割する。 大規模な実験により、HBPOは平均トークン使用量を最大60.6%削減し、4つの推論ベンチマークで精度を3.14%改善した。
  論文  参考訳（メタデータ） (2025-07-21T17:52:34Z)
• Neural ATTF: A Scalable Solution to Lifelong Multi-Agent Path Planning [0.5701273481078372]
  本稿では,優先度誘導タスクマッチング(PGTM)モジュールとデータ駆動経路計画法であるNeural STA*(Space-Time A*)を組み合わせた新しいアルゴリズムを提案する。 TPTS, CENTRAL, RMCA, LNS-PBS, LNS-wPBS などの最先端の MAPD アルゴリズムに対するテストは, Neural ATTF の優れたスケーラビリティ, ソリューション品質, 計算効率を示す。
  論文  参考訳（メタデータ） (2025-04-21T14:25:32Z)
• Self-Supervised Learning-Based Path Planning and Obstacle Avoidance Using PPO and B-Splines in Unknown Environments [0.0]
  Smart BSPは、自律ロボット工学におけるリアルタイムパス計画と障害物回避のための高度な自己教師型学習フレームワークである。 提案システムは,PPO(Proximal Policy Optimization)と畳み込みニューラルネットワーク(Convolutional Neural Networks, CNN)とActor-Criticアーキテクチャを統合する。 トレーニングプロセス中に、経路曲率、終端近接、障害物回避を考慮に入れたニュアンスコスト関数を最小化する。
  論文  参考訳（メタデータ） (2024-12-03T05:20:29Z)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• Hierarchical Constrained Stochastic Shortest Path Planning via Cost Budget Allocation [16.150627252426936]
  本稿では,これら2つの重要な要件を満たす階層的制約付き最短経路問題(HC-SSP)を提案する。 結果として生じる問題は非常に複雑であり、最適な解を見つけるのが難しくなる。 提案手法は,提案手法を高速かつ漸進的に更新するために,ブランチ・アンド・バウンド・スキームに基づく低レベルの計画問題に対して,コスト予算を反復的に割り当てるアルゴリズムである。
  論文  参考訳（メタデータ） (2022-05-11T01:25:38Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)
• Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
  最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。 提案アルゴリズムの有効性はCart-Pole環境で検証する。
  論文  参考訳（メタデータ） (2020-06-01T13:48:59Z)
• 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。