論文の概要: Dynamic Haven Selection for Multi-Agent Pickup and Delivery in Constrained Warehouses
- arxiv url: http://arxiv.org/abs/2608.26939v1
- Date: Thu, 27 Aug 2026 10:40:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.358369
- Title: Dynamic Haven Selection for Multi-Agent Pickup and Delivery in Constrained Warehouses
- Title（参考訳）: 拘束倉庫におけるマルチエージェントピックアップと配送のための動的ヘイブン選択
- Abstract要約: 本稿では,タスク割り当て時にエージェントの退避目標を変更するA-sharpを提案する。
ナイーブスイッチは、2人のエージェントが同じ待機場所に依存する可能性がある。
A-sharp は、候補 Havens のアベイラビリティテストと保留リリースルールでこれらの障害を防ぐ。
- 参考スコア（独自算出の注目度）: 1.8959297902766956
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Space-efficient warehouse layouts often contain single-agent-width aisles and dead-end workstations where robots have few places to wait without blocking others. In Multi-Agent Pickup and Delivery (MAPD) on such constrained layouts, robots must accept online pickup-delivery tasks while preserving protected waiting locations called Havens. The Safe HAven Retreat Planner (SHARP) introduced a mechanism that extends each committed task path with a validated retreat to the agent's dedicated initial Haven, but fixed-Haven commitments can send agents toward distant Havens after deliveries. We present A-sharp (Adaptive SHARP), which changes an agent's retreat target at task assignment time. A naive switch can cause two agents to rely on the same waiting location or let another committed path pass through a location that is still occupied or reserved. A-sharp prevents these failures with an availability test for candidate Havens and a pending-release rule that keeps the previous Haven protected until the agent departs. Under explicit Haven-structure and Safe Interval Path Planning (SIPP) assumptions, we prove invariant preservation and finite-release completeness: every task in any finite release sequence is delivered in finite time. Across 72,000 runs on 14,400 paired map-agent-count-rate-seed cases over four maps, both SHARP and A-sharp complete their respective 14,400 runs. For makespan (final delivery time), a prespecified paired comparison with Holm correction over all 138 configurations with more Havens than agents finds A-sharp significantly better in 107 configurations and never significantly worse than SHARP; on the tested tree map, the median reduction is 16.7%.
- Abstract（参考訳）: スペース効率の良い倉庫のレイアウトには、シングルエージェント幅の通路と、ロボットが他のロボットをブロックすることなく待つ場所がほとんどないデッドエンドワークステーションが含まれることが多い。
このような制約されたレイアウト上のマルチエージェントピックアップ・デリバリ(MAPD)では、ロボットは、ハブンスと呼ばれる保護された待機場所を保持しながら、オンラインピックアップ配送タスクを受け入れなければならない。
Safe HAven Retreat Planner (SHARP) は、各コミットされたタスクパスを、エージェントの専用初期ヘイブンへの検証済みの後退で拡張するメカニズムを導入したが、固定ヘイブンのコミットメントは、配達後に遠くのヘイブンにエージェントを送ることができる。
本稿では,タスク割り当て時にエージェントの退避目標を変更するA-sharp(Adaptive SHARP)を提案する。
ナイーブスイッチは、2人のエージェントが同じ待機場所に依存したり、他のコミットパスがまだ占有または保留されている場所を通過したりすることができる。
A-sharpは、候補のHavensのアベイラビリティテストと、エージェントが出発するまで前のHavenを保護し続けるpending-releaseルールでこれらの障害を防ぐ。
明示的なヘイブン構造と安全なインターバルパス計画(SIPP)の仮定の下では、不変保存と有限リリース完全性(英語版)が証明される。
72,000回以上は、SHARPとA-sharpがそれぞれ14,400回のランを完了した4つのマップ上で、14,400対のマップ・エージェント・カウント・シードケースで実行されている。
メイスパン(最終納期)では、Holmの修正とエージェントよりもA-シャープが107構成で有意に良く、SHARPよりも著しく悪いことが判明し、試験されたツリーマップでは中央値の減少が16.7%である。
関連論文リスト
- ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - Privacy-Preserving Topology-Guided Safety for LLM-Based Multi-Agent Systems via Federated Graph Learning [67.04448659688579]
FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。
フェデレーションはオプションではなく、オフ・ザ・シェルフ・トランスファーは流通シフトによって崩壊する。
Live FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。
論文 参考訳（メタデータ） (2026-09-02T07:57:12Z) - Fixed-Haven Reservation for Online Multi-Agent Pickup and Delivery in Dense Warehouses [1.8959297902766956]
オンラインMulti-Agent Pickup and Delivery(MAPD)の固定予約について検討する。
この固定ヘイブン契約は、ヘイブン到達可能性と明示的な計画/進捗仮定の下でリリースされた全てのタスクを完了します。
再処理中の再割り当てを無効にすると、テストされた高負荷ツリー条件では、サービス時間(リリースからデリバリまでの遅延)が1.89倍、メースパンが1.53倍悪化することを示す。
論文 参考訳（メタデータ） (2026-08-27T07:54:13Z) - OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents [52.15259607762389]
自律型エージェントのための長距離ハーネスであるOneDayAgentを紹介する。
OneDayAgentはオープンなリクエストをマネージドな実行プロセスに変換する。
我々は104のタスクでAgentIF-OneDay上でOneDayAgentを評価する。
論文 参考訳（メタデータ） (2026-08-04T17:55:41Z) - MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。
本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。
適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
論文 参考訳（メタデータ） (2026-08-02T10:05:50Z) - Stigmergic Graph Memory: An Environment-Aware Approach for Many-to-Many Multi-Agent Pickup and Delivery [0.0]
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。
論文 参考訳（メタデータ） (2026-07-16T16:34:57Z) - PSG-Agent: Personality-Aware Safety Guardrail for LLM-based Agents [60.23552141928126]
PSG-AgentはLLMベースのエージェントのためのパーソナライズされた動的システムである。
まずPSG-Agentは、安定した特性のために相互作用履歴をマイニングすることでパーソナライズされたガードレールを作成する。
第二に、PSG-Agentは特別なガードでエージェントパイプラインを横断する継続的監視を実装している。
論文 参考訳（メタデータ） (2025-09-28T03:31:59Z) - When Agents Break Down in Multiagent Path Finding [0.0]
我々は、一部のエージェントが誤動作による遅延を経験するシナリオを形式的にモデル化する新しい変種を導入する。
本稿では,完全な計画変更に依存しない動的スケジュール適応のためのフレームワークを提案する。
第一の通信プロトコルに従えば、k の誤動作後のメイスパンの増加は k の余分な回転によって制限されることを示す。
論文 参考訳（メタデータ） (2025-08-05T12:59:30Z) - Bidirectional Temporal Plan Graph: Enabling Switchable Passing Orders
for More Efficient Multi-Agent Path Finding Plan Execution [7.2988406091449605]
BTPG(Bidirectional Temporal Plan Graph)と呼ばれる新しいグラフィカルな表現を導入し,実行中の注文を切り替えることで,不要な待ち時間を回避する。
実験の結果, BTPG は TPG に順調に優れ, 不要待ち時間が 8-20% 減少することがわかった。
論文 参考訳（メタデータ） (2023-12-30T20:23:27Z) - Multi-agent Deep Covering Skill Discovery [50.812414209206054]
本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。
また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。
提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
論文 参考訳（メタデータ） (2022-10-07T00:40:59Z) - 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。