論文の概要: Complete, Scalable, and Robust Prioritized Planning for Multi-Robot Ordered Storage and Retrieval at Maximum Capacity

• arxiv url: http://arxiv.org/abs/2608.07734v1
• Date: Fri, 07 Aug 2026 19:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.490053
• Title: Complete, Scalable, and Robust Prioritized Planning for Multi-Robot Ordered Storage and Retrieval at Maximum Capacity
• Title（参考訳）: 最大容量でのマルチロボット順序付きストレージと検索のための完全・スケーラブル・ロバスト優先計画
• Abstract要約: 「本論文では、順序付き記憶・検索問題を最大容量で行うための新しいマルチロボットの定式化について紹介する。」 この研究は、移動自由配置の特性を活用することにより、幾何学的実現可能性と実行効率のギャップを埋める。 一般的な集中型プランナーとは異なり、この手法はストレージアレンジメントの特定の不変性を利用して完全性を確保し、デッドロックを防ぐ。
• 参考スコア（独自算出の注目度）: 14.759453430635034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated warehouses face a fundamental trade-off between maximizing storage density and achieving high retrieval throughput. While puzzle-based storage (PBS) architectures increase capacity by eliminating aisles, coordinating multiple robots in these high-density spaces is computationally challenging due to the potential for deadlocks. This paper introduces a novel multi-robot formulation for the ``ordered storage and retrieval problem at maximum capacity''. The focus is on rectangular grids accessible from a single boundary, where loads need to be first stored up to full capacity and then efficiently retrieved, given a planned departure sequence. This work bridges the gap between geometric feasibility and execution efficiency by leveraging the properties of relocation-free arrangements. These properties guide an online, prioritized multi-agent path-finding algorithm, which is the main contribution of this work. Unlike general centralized planners, the approach exploits the specific invariants of the storage arrangement to guarantee completeness and prevent deadlocks, enabling scalability. Experiments demonstrate that the method achieves near-linear improvement in makespan with respect to the number of robots, up to $m = C$, where $C$ is the grid width. Crucially, the algorithmic overhead of supporting robustness is negligible; the system handles uncertainty in departure sequences using robust storage arrangements with no significant penalty in execution speed compared to the non-robust baseline.
• Abstract（参考訳）: 自動倉庫は、ストレージ密度の最大化と高い検索スループットの達成の間に、根本的なトレードオフに直面している。 パズルベースのストレージ(PBS)アーキテクチャは通路をなくすことで容量を増大させるが、これらの高密度空間における複数のロボットの協調はデッドロックの可能性のために計算的に困難である。 本稿では,「最大容量での順序付き記憶・検索問題」に対する新しいマルチロボットの定式化を提案する。 単一のバウンダリからアクセス可能な矩形グリッドに焦点が当てられている。そこでは、まずロードをフル容量に格納し、計画された出発シーケンスに従って効率よく取り出す必要がある。 この研究は、移動自由配置の特性を活用することにより、幾何学的実現可能性と実行効率のギャップを埋める。 これらの特性は、この研究の主な貢献である、オンラインで優先順位付けされたマルチエージェントパスフィニングアルゴリズムを導く。 一般的な集中型プランナとは異なり、このアプローチでは、ストレージアレンジメントの特定の不変性を利用して、完全性を確保し、デッドロックを防止し、スケーラビリティを実現する。 実験により,ロボットの数は最大で$m=C$となり,C$は格子幅であることがわかった。 システムは、ロバストでないベースラインと比較して、実行速度に有意なペナルティを伴わないロバストストレージアレンジメントを用いて、出発シーケンスの不確実性を処理する。

関連論文リスト

• Efficient Quantum Algorithm for Robust Training [18.32336518702356]
  アドリアリトレーニングは、機械学習システムにおける悪意ある入力摂動に対する標準的な防御である。 ここでは局所的安定性と疎性仮定の下で、プロジェクテッド・グラディエント・ロバストなトレーニングのためのエンドツーエンドの量子プロシージャを提案する。
  論文  参考訳（メタデータ） (2026-03-30T12:03:16Z)
• The Multi-AMR Buffer Storage, Retrieval, and Reshuffling Problem: Exact and Heuristic Approaches [0.5219568203653523]
  本稿では,マルチAMR BSRRPを導入し,ロボット群を協調して並列リシャッフルタスクを管理する。 ベンチマーク目的の正確なソリューションを得るために、バイナリプログラミング(IP)モデルを定式化します。
  論文  参考訳（メタデータ） (2026-03-27T15:51:38Z)
• Adaptive-Horizon Conflict-Based Search for Closed-Loop Multi-Agent Path Finding [10.628717510399046]
  MAPFは、倉庫や物流の自動化において、大規模なロボット群の中核的な調整問題である。 既存のアプローチは、固定軌道を生成するオープンループプランナか、信頼性の高い性能保証のないクローズループである。 本稿では,CBSの有限水平変速器をベースとした閉ループであるACCBSについて述べる。
  論文  参考訳（メタデータ） (2026-02-12T14:55:16Z)
• Robust Out-of-Order Retrieval for Grid-Based Storage at Maximum Capacity [14.759453430635034]
  本稿では,不確実性を考慮した自動ストレージシステムの運用効率向上のためのフレームワークを提案する。 グリッド内の衝突のない経路に沿ってロボットによって移動される、均一サイズの負荷のための2Dグリッドベースのストレージを考える。 目的は、効率的な検索を確保するために、負荷移動を最小限に抑えることである。
  論文  参考訳（メタデータ） (2026-01-27T03:19:50Z)
• 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)
• Topology-Aware and Highly Generalizable Deep Reinforcement Learning for Efficient Retrieval in Multi-Deep Storage Systems [2.6327794190378255]
  マルチディープ自動車両格納・検索システム (AVS/RS) は, より高容量な車載密度を実現するための実現可能なソリューションである。 この問題を緩和するための従来のアプローチでは、一車線に均質な特徴を持つアイテムを格納する必要があった。 異種アイテム構成を持つマルチディープストレージシステムにおける検索問題に対処する深層強化学習に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-27T08:07:38Z)
• 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)
• SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning [63.93193829913252]
  本稿では,リソース制限シナリオに対するSHERLと呼ばれる革新的なMETL戦略を提案する。 初期経路では、中間出力は反冗長動作によって統合される。 遅延ルートでは、最小限の遅延事前トレーニングされたレイヤを利用することで、メモリオーバーヘッドのピーク需要を軽減できる。
  論文  参考訳（メタデータ） (2024-07-10T10:22:35Z)
• Online Continual Learning Without the Storage Constraint [67.66235695269839]
  我々は、kNN分類器を固定された事前訓練された特徴抽出器とともに継続的に更新する簡単なアルゴリズムを提案する。 高速に変化するストリームに適応し、安定性のギャップをゼロにし、小さな計算予算内で動作し、機能のみを格納することで、ストレージ要件を低くすることができる。 2つの大規模オンライン連続学習データセットにおいて、既存の手法を20%以上の精度で上回ることができる。
  論文  参考訳（メタデータ） (2023-05-16T08:03:07Z)
• 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)
• 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。