論文の概要: Drive, Pack, Fly: The Travelling Thief Problem with Drone

• arxiv url: http://arxiv.org/abs/2608.16435v1
• Date: Mon, 17 Aug 2026 11:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.664088
• Title: Drive, Pack, Fly: The Travelling Thief Problem with Drone
• Title（参考訳）: ドライビング、パック、フライ、そしてドローンによる旅の悲惨な問題
• Abstract要約: 収集作業では、積荷の蓄積が徐々に車両を減速させ、ルーティング効率に累積的なペナルティを与える。 搭載ドローンは、外装品を回収し、メイスパンを短くし、運用利益を増大させることで、このペナルティを相殺することができる。 本稿では,TTP-D(Travelling Thief Problem with Drone)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In collection operations, accumulating payload progressively slows the vehicle, imposing a cumulative penalty on routing efficiency. An onboard drone can offset this penalty by retrieving outlying items, thereby shortening the makespan and increasing operational profit. However, travel time remains load-dependent, and each item collected by the ground vehicle shifts the arrival times that govern the drone's launch and rendezvous points. This paper introduces the Travelling Thief Problem with Drone (TTP-D), which maximises the collected profit, net of a time-based rental cost, by jointly optimising item selection, vehicle routing, and flight synchronisation. We formulate a mixed-integer linear program that solves small instances to optimality, and develop both metaheuristics and an attention-based Deep Reinforcement Learning (DRL) policy for larger instances. We further propose a learner-initialised hybrid solver, in which the DRL policy constructs an initial solution that a short annealing run subsequently refines. On two benchmark sets, this hybrid recovers most of the metaheuristic baseline's quality at a fraction of its computational budget, although the largest instances still require the baseline at its full budget. Finally, a sensitivity analysis reveals that the rental ratio is the primary driver of profitability, whereas the fleet parameters affect profit only at the margin.
• Abstract（参考訳）: 収集作業では、積荷の蓄積が徐々に車両を減速させ、ルーティング効率に累積的なペナルティを与える。 搭載ドローンは、外装品を回収し、メイスパンを短くし、運用利益を増大させることで、このペナルティを相殺することができる。 しかし、移動時間は負荷依存のままであり、地上車両によって収集された各アイテムは、ドローンの発射とランデブーポイントを支配する到着時間を変更する。 本稿では、アイテム選択、車両ルーティング、飛行同期を共同で最適化することにより、収集した利益、時間ベースのレンタルコストのネットを最大化する、TTP-D(Travelling Thief Problem with Drone)を提案する。 我々は,小さなインスタンスを最適に解く混合整数線形プログラムを定式化し,大規模インスタンスに対するメタヒューリスティックスと注目に基づくDeep Reinforcement Learning(DRL)ポリシーの両方を開発する。 さらに、DRLポリシが初期解を構築し、短いアニーリングが後に洗練される学習者初期化ハイブリッドソルバを提案する。 2つのベンチマークセットでは、このハイブリッドは計算予算のごく一部でメタヒューリスティックなベースラインの品質を回復するが、最大のインスタンスは依然として全予算でベースラインを必要とする。 最後に、感度分析により、レンタル比率が利益率の主要な要因であることを明らかにし、一方、艦隊パラメータは利益率にのみ影響を与えている。

関連論文リスト

• Dynamical Vehicle Orienteering Problem for Multi-Rotor Unmanned Aerial Vehicles [3.5945543871230274]
  動的車両オリエンテーリング問題(DVOP)は、オリエンテーリング問題(OP)の一般化である マルチロータ型無人航空機(UAV)の飛行計画におけるDVOPの検討を行った。
  論文  参考訳（メタデータ） (2026-07-15T12:48:18Z)
• Fast-dDrive: Efficient Block-Diffusion VLM for Autonomous Driving [54.31800246594724]
  本稿では,ブロック拡散型VLAであるFast-dDriveについて述べる。 我々は、Fast-dDriveが運転エージェントの速度精度フロンティアを再定義することを示す。
  論文  参考訳（メタデータ） (2026-05-22T02:31:32Z)
• Dependency-Aware Task Offloading in Multi-UAV Assisted Collaborative Mobile Edge Computing [53.88774113545582]
  本稿では,新しい無人航空機(UAV)による協調移動エッジコンピューティング(MEC)フレームワークを提案する。 システムコストを最小限に抑え、タスク消費とエネルギー消費のトレードオフを改善することを目的としている。 提案手法はシステムコストを大幅に削減し,タスク消費とエネルギー消費のトレードオフの改善を実現する。
  論文  参考訳（メタデータ） (2025-10-23T02:55:40Z)
• Hybrid Reinforcement Learning and Search for Flight Trajectory Planning [6.651730814910398]
  本稿では,RL(Reinforcement Learning)と検索ベースパスプランナを組み合わせることで,航空会社の飛行経路の最適化を高速化する。 基本的な考え方は、RLエージェントをトレーニングして、位置と大気のデータに基づいて、最適に近い経路を事前計算し、実行時にそれらを使用して、基礎となる経路計画の解決を制約することである。 この手法は,探索空間のサイズを効果的に削減し,経路最適化を大幅に高速化する。
  論文  参考訳（メタデータ） (2025-09-04T11:01:43Z)
• Collaborative Last-Mile Delivery: A Multi-Platform Vehicle Routing Problem With En-route Charging [5.93228031688634]
  本研究は、ドローンとロボットによる新しい多プラットフォーム車両ルーティング問題を紹介する。 トラックが$mathcalM$、ドローンが$mathcalN$、ロボットが$mathcalK$を共同で配達する。 トラックはモバイルプラットフォームとして機能し、ドローンやロボットの起動、回収、ルートの充電を可能にする。
  論文  参考訳（メタデータ） (2025-05-29T15:58:01Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Fair collaborative vehicle routing: A deep multi-agent reinforcement learning approach [49.00137468773683]
  協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。 従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。 我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:42:29Z)
• A Multi-Objective approach to the Electric Vehicle Routing Problem [0.0]
  電気自動車ルーティング問題(EVRP)は、燃料ベースの車からより健康的で効率的な電気自動車(EV)に移行するために、研究者や工業者から大きな関心を集めている。 以前の作業では、ロジスティクスや配送関連のソリューションをターゲットにしており、複数の停止を行った後、同質の商用EVが最初のポイントに戻らなければならない。 我々は、旅行時間と充電の累積コストを最小化する多目的最適化を行う。
  論文  参考訳（メタデータ） (2022-08-26T05:09:59Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)
• The two-echelon routing problem with truck and drones [0.0]
  我々は、トラックが最初のエケロンでパーセルとドローンの群を中間補給所へ輸送する、よく知られた2エケロン車両ルーティング問題の新しい変種について研究する。 目的は、古典的な2エケロン車両の経路問題のように、輸送コストの代わりに完成時間を最小化することである。
  論文  参考訳（メタデータ） (2020-04-05T18:33:16Z)

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。