論文の概要: Model-Free Adaptive Parameter Tuning for Efficient Multi-Robot Warehouse Operations

• arxiv url: http://arxiv.org/abs/2608.21533v1
• Date: Fri, 21 Aug 2026 18:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.255663
• Title: Model-Free Adaptive Parameter Tuning for Efficient Multi-Robot Warehouse Operations
• Title（参考訳）: 効率的なマルチロボット倉庫運用のためのモデルフリー適応パラメータチューニング
• Abstract要約: エクストリームシーキング制御(ESC)に基づく適応パラメータチューニングフレームワークを提案する。 ESCは、正弦波ディザ信号でパラメータを摂動させ、摂動と性能変化を推定してモデルフリーの最適化を行う。 動的動作条件下では,地図やロボットの船体サイズによって平均5.0%のスループット向上と8.4%のスループット向上が観察された。
• 参考スコア（独自算出の注目度）: 43.34877484703518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic Fulfillment Centers (FCs) store inventory on shelves (pods) arranged in dense blocks. Retrieving a target pod that is buried deep in a block requires moving obstructing pods out of the way (i.e., digout). Multi-robot planners use parameterized cost functions to control digout behavior, producing a spectrum of strategies: at one extreme, obstructing pods are sent to other blocks (using more robots in travel lanes); at the other, pods are shuffled within the block (avoiding lane congestion but increasing extraction time). Each point on this spectrum has different downstream consequences for floor congestion and throughput. The optimal operating point depends on the specific facility configuration and shifts with operational conditions such as varying station demand and congestion patterns, making offline tuning impractical. We present an adaptive parameter tuning framework based on Extremum Seeking Control (ESC) that continuously adjusts planner parameters in response to measured throughput. ESC performs model-free optimization by perturbing parameters with sinusoidal dither signals and correlating perturbations with performance changes to estimate gradients, making it robust to the multi-minute delayed effects and credit assignment challenges inherent in large FC operations. Simulation studies demonstrate that the adaptive policy improves upon fixed policies across several conditions. We observe an improvement in throughput by an average of 5.0% across map and robot fleet size variations, and by 8.4% under dynamic operating conditions. This work eliminates manual parameter provisioning and enables real-time adaptation, providing a self-tuning paradigm for FC storage operations.
• Abstract（参考訳）: ロボットフルフィルメントセンター(FC)は密集したブロックに配置された棚(ポッド)に在庫を保管している。 ブロックの奥深くに埋もれた標的のポッドを回収するには、邪魔なポッドを遠ざける必要がある(すなわち、掘り出す)。 マルチロボットプランナーは、パラメータ化されたコスト関数を使用して掘り出し動作を制御し、いくつかの戦略を生み出す。一方の極端な場合、妨害されたポッドは他のブロック(旅行レーンでより多くのロボットを使用して)に送られ、もう一方の場合、ポッドはブロック内でシャッフルされる(レーンの混雑を回避し、抽出時間を増やす)。 このスペクトル上の各点は、フロアの混雑とスループットに異なる下流結果をもたらす。 最適な運用ポイントは、特定の設備構成と、ステーションの需要や混雑パターンなどの運用条件の変化に依存し、オフラインチューニングを非現実的にしている。 本稿では,最大探索制御(ESC)に基づく適応パラメータチューニングフレームワークを提案する。 ESCは、正弦波ディザ信号でパラメータを摂動させ、性能変化を推定勾配に関連付け、大規模なFC操作に固有の多分間の遅延効果とクレジット割り当て課題に頑健にすることで、モデルフリーの最適化を行う。 シミュレーション研究は、適応ポリシーがいくつかの条件で一定のポリシーを改善することを示した。 動的動作条件下では,地図やロボットの船体サイズによって平均5.0%のスループット向上と8.4%のスループット向上が観察された。 この作業は、手動パラメータのプロビジョニングを排除し、リアルタイム適応を可能にし、FCストレージ操作のための自己チューニングパラダイムを提供する。

関連論文リスト

• AI-Augmented Model Predictive Control for Safe and Adaptive Rendezvous and Proximity Operations [2.787067333542931]
  本研究は,多エージェント対逆シナリオにおける自律宇宙船RPOのための適応型モデル予測制御(MPC)フレームワークを提案する。 このフレームワークは、モンテカルロシミュレーションにより、公式のKSPDG(Kerbal Space Program Differential Game)で評価された。
  論文  参考訳（メタデータ） (2026-07-18T04:20:23Z)
• Bayesian Optimization for Learning Nonlinear MPC in Autonomous Agent Navigation [0.0]
  提案するフレームワークはロボット非依存であり,ガゼボを用いたシミュレーションにおいて,Unitree Go2の4倍の精度で評価されている。 完全なシステムは、デプロイ時に最大90.0%のナビゲーション成功率を達成するとともに、シミュレーション環境全体の評価指標を平均38.9%改善する。
  論文  参考訳（メタデータ） (2026-06-08T16:08:09Z)
• Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
  リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。 また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:03Z)
• A Hierarchical Surrogate Model for Efficient Multi-Task Parameter Learning in Closed-Loop Control [0.0]
  本稿では,効率的な制御パラメータ学習に適した階層型ベイズ最適化(BO)フレームワークを提案する。 閉ループコストをブラックボックスとして扱う代わりに,本手法は根本問題の構造的知識を活用する。
  論文  参考訳（メタデータ） (2025-08-18T09:01:28Z)
• Parameter Efficient Fine-tuning via Cross Block Orchestration for Segment Anything Model [81.55141188169621]
  PEFTにクロスブロックオーケストレーション機構を組み、SAM(Segment Anything Model)の様々な下流シナリオへの適応を可能にする。 本稿では,超複素層から重みが生じる線形射影ヘッドを導入するブロック内拡張モジュールを提案する。 提案手法は,約1Kのパラメータのみを付加した新規シナリオにおいて,セグメンテーション性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-28T11:23:34Z)
• On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
  制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。 本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。 我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
  論文  参考訳（メタデータ） (2022-07-22T14:54:13Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• Online Parameter Estimation for Safety-Critical Systems with Gaussian Processes [6.122161391301866]
  オンラインパラメータ推定のためのガウス過程(GP)に基づくベイズ最適化フレームワークを提案する。 パラメータ空間の応答面上の効率的な探索戦略を用いて、最小限の機能評価で大域最適解を求める。 我々は,パラメータの変化を考慮したシミュレーションにおいて,アクティベートされた平面振子と安全臨界振子について実演する。
  論文  参考訳（メタデータ） (2020-02-18T20:38:00Z)

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。