論文の概要: Stigmergic Graph Memory: An Environment-Aware Approach for Many-to-Many Multi-Agent Pickup and Delivery

• arxiv url: http://arxiv.org/abs/2607.15182v1
• Date: Thu, 16 Jul 2026 16:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.177287
• Title: Stigmergic Graph Memory: An Environment-Aware Approach for Many-to-Many Multi-Agent Pickup and Delivery
• Title（参考訳）: スティグマイシングラフメモリ:多対多のマルチエージェントピックアップと配信のための環境認識アプローチ
• Abstract要約: 多数対多のマルチエージェントピックアップとデリバリでは、リクエストは固定エンドポイントではなく、ストックキーピングユニットを指定する。 既存のグラフ誘導手法は、ゴールが固定された後にルーティングに影響し、エンドポイントのインスタンス化は最近のトラフィックにインフォームされないままである。 倉庫ノード上での最近の実行信号を記録可能なメモリ層であるStigmergic Graph Memory (SGM)を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated fulfillment warehouses must continuously assign and execute pickup-and-delivery work while avoiding congestion. In many-to-many Multi-Agent Pickup and Delivery (MAPD), a request specifies a stock-keeping unit rather than fixed endpoints, requiring the controller to select an agent, source, and destination before path planning. Existing graph-guidance methods primarily influence routing after goals are fixed, leaving endpoint instantiation uninformed by recent traffic. We introduce Stigmergic Graph Memory (SGM), a bounded, decaying memory layer that records recent execution signals on warehouse nodes and directed edges to rank feasible endpoints and route preferences without altering collision constraints or planner validity. Across paired request streams on five layouts, three load levels, and 25 seeds per condition, SGM outperforms two reconstructed many-to-many allocation baselines in all 15 map-load conditions, with paired throughput gains of 20.5-36.7%. These results show that recent execution memory can improve warehouse throughput by shaping which feasible goals enter the planner, not only how agents travel to already fixed goals.
• Abstract（参考訳）: 自動フルフィルメントウェアハウスは、混雑を避けながら、継続的にピックアップ・アンド・デリバリ作業を実行しなければなりません。 many-to-many Multi-Agent Pickup and Delivery (MAPD) では、要求は固定エンドポイントではなくストックキーピングユニットを指定し、コントローラは経路計画の前にエージェント、ソース、宛先を選択する必要がある。 既存のグラフ誘導手法は、ゴールが固定された後、ルーティングに主に影響を与え、エンドポイントのインスタンス化は最近のトラフィックにインフォームされないままである。 SGM(Stigmergic Graph Memory)は倉庫のノードやエッジ上での最近の実行信号を記録し、衝突制約やプランナーの妥当性を変化させることなく、実現可能なエンドポイントやルートの選好をランク付けする。 5つのレイアウト、3つの負荷レベル、25のシードに対して、SGMは15のマップロード条件すべてで2つの再構築された多対多割り当てベースラインを上回り、スループットは20.5-36.7%向上した。 これらの結果から、最近の実行メモリは、エージェントが既に固定されたゴールに向かう方法だけでなく、どの実現可能な目標がプランナーに入るかを形作ることにより、倉庫のスループットを向上させることができることが示された。

関連論文リスト

• Learning What to Retain: Gated-Memory Routing for Efficient Collaboration in Multi-Agent LLM Systems [11.76537973781688]
  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、複数のエージェントがどのように構成され、どのように協調するかをオーケストレーションすることによって、複雑な推論に取り組む。 本稿では,クエリと学習した実行メモリに関する各決定を条件に,Gated-Memory Routingを提案する。 最も高いベースラインを2.44ポイント越え、HumanEval推論コストを31.9%削減した。
  論文  参考訳（メタデータ） (2026-08-31T18:42:57Z)
• CREST: Constraint-Release Execution for Multi-Robot Warehouse Shelf Rearrangement [9.735893104705282]
  Double-Deck Multi-Agent Pickup and Delivery (DD-MAPD) は、自動倉庫におけるマルチロボット棚の再配置問題をモデル化する。 MAPF-DECOMPは、MAPFソルバで衝突のない棚軌道を計算し、エージェントを割り当てて実行する、最近のフレームワークである。 CRESTは、実行中に軌道制約を積極的にリリースすることで、より継続的なシェルフを運ぶことができる新しい実行フレームワークです。
  論文  参考訳（メタデータ） (2026-03-27T23:14:57Z)
• TP-MDDN: Task-Preferenced Multi-Demand-Driven Navigation with Autonomous Decision-Making [90.18833928208333]
  Task-Preferenced Multi-Demand-Driven Navigation (TP-MDDN)は、複数のサブオンデマンドと明示的なタスク嗜好を含む長距離ナビゲーションのための新しいベンチマークである。 空間記憶のために,3次元点雲蓄積と2次元意味マッピングを組み合わせたMASMapを設計した。 本手法は,認識精度とナビゲーションの堅牢性の両方において,最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-21T13:12:13Z)
• Destination-to-Chutes Task Mapping Optimization for Multi-Robot Coordination in Robotic Sorting Systems [63.08747450107808]
  本研究では,ロボットソーティングシステムのスループット向上のために,タスクマッピングの宛先最適化について検討する。 現実世界のRSSの複雑さのため、高品質なタスクマッピングを見つけることは難しい。
  論文  参考訳（メタデータ） (2025-10-03T19:49:37Z)
• Speedup Techniques for Switchable Temporal Plan Graph Optimization [7.478072166004144]
  MAPF (Multi-Agent Path Finding) は、複数エージェントの衝突のない経路を計画することに焦点を当てている。 MAPF計画の実行中、エージェントは予期せぬ遅延に遭遇し、非効率性、デッドロック、さらには衝突に至る可能性がある。 本稿では,グラフベーススイッチブルエッジサーチ(GSES)を4つの高速化手法により大幅に高速化する改良GSESを提案する。
  論文  参考訳（メタデータ） (2024-12-20T13:59:15Z)
• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• Optimal Multi-Agent Path Finding for Precedence Constrained Planning Tasks [0.7742297876120561]
  我々は,PC-MAPF (Precedence Constrained Multi-Agent Path Finding) 問題の拡張について検討する。 そこで我々は,PC-CBS (Precedence Constrained Conflict Based Search) という新しいアルゴリズムを提案する。 本アルゴリズムは, 各種倉庫集合体, マルチエージェントピックアップ, 配送タスクに対して性能をベンチマークし, 最近提案された効率的なベースラインのサブ最適性を評価する。
  論文  参考訳（メタデータ） (2022-02-08T07:26:45Z)
• A Feedback Scheme to Reorder a Multi-Agent Execution Schedule by Persistently Optimizing a Switchable Action Dependency Graph [65.70656676650391]
  複数の自動誘導車両 (AGV) が共通作業空間をナビゲートし, 様々な作業を行う。 一つのアプローチは、Action Dependency Graph (ADG)を構築し、そのルートに沿って進むとAGVの順序を符号化する。 ワークスペースが人間やサードパーティロボットのような動的障害によって共有されている場合、AGVは大きな遅延を経験することができる。 本稿では,各AGVの経路完了時間を最小限に抑えるために,非循環ADGを繰り返し修正するオンライン手法を提案する。
  論文  参考訳（メタデータ） (2020-10-11T14:39:50Z)
• 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。