論文の概要: Distributed Model-Based Diffusion: Finite Horizon Contraction under Bounded Delay

• arxiv url: http://arxiv.org/abs/2608.27685v1
• Date: Thu, 27 Aug 2026 20:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.143346
• Title: Distributed Model-Based Diffusion: Finite Horizon Contraction under Bounded Delay
• Title（参考訳）: 分散モデルベース拡散:境界遅延下での有限水平収縮
• Abstract要約: 複数のエージェントの軌跡を最適化することは、非線形性、非滑らか性、次元の呪いに悩まされる難しい問題である。 一連の例は、多くの仮定なしでは解決が難しい複雑なマルチエージェントシステムの例である。
• 参考スコア（独自算出の注目度）: 38.92800042190955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneously optimizing the trajectories of multiple agents is a challenging problem plagued by nonlinearity, nonconvexity, and the curse of dimensionality. A collection of interacting aerial vehicles or self-driving cars in an intersection are examples of complex multi-agent systems that remain difficult to solve without many simplifying assumptions. The presence of communication latency between agents further increases the difficulty. In this paper, we analyze Distributed Model-Based Diffusion: a sampling-based Model-Predictive Control method suitable for highly nonlinear, nonconvex, nonsmooth, multi-agent systems. We prove contraction and robustness to latency for multi-agent, nonconvex problems, showing applicability to real-world constraints. We test the algorithm on a circleswap task, a cooperative medium-fidelity driving task, and in an aerial combat scenario. Despite the addition of latency, our algorithm improves circleswap makespan by 31% and increases aerial combat win rate by 25% compared to centralized Model-Based Diffusion.
• Abstract（参考訳）: 複数のエージェントの軌道を同時に最適化することは、非線形性、非凸性、次元性の呪いに悩まされる難しい問題である。 交差する航空機や自動運転車の集合体は、多くの仮定を単純化することなく解決が難しい複雑なマルチエージェントシステムの例である。 エージェント間の通信遅延の存在はさらに困難を増す。 本稿では,高非線形・非凸・非平滑・マルチエージェントシステムに適したサンプリングベースモデル予測制御法である分散モデルベース拡散の解析を行う。 我々は,マルチエージェント,非凸問題に対する遅延に対する制約と堅牢性を証明し,実世界の制約に適用可能であることを示す。 本研究では,このアルゴリズムを円盤作業,協調型中距離駆動作業,空中戦闘シナリオで検証する。 遅延が加わったにも拘わらず、我々のアルゴリズムは円盤メースパンを31%改善し、集中型モデルベース拡散と比較して空中戦闘の勝利率を25%向上させる。

関連論文リスト

• Scalable Multi-Agent Maze Traversal with Local Communication [1.2875771631391097]
  エージェントが未知の、おそらく巡回グラフを一括してトラバースできる分散アルゴリズムを提案する。 エージェントは指定されたスタートノードで順次入力され、ローカライズされ、未公表のゴールに到達する。 いずれにせよ、探査はエージェントの1人のみが行う。
  論文  参考訳（メタデータ） (2026-08-12T10:21:26Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• Single Agent Robust Deep Reinforcement Learning for Bus Fleet Control [9.910562011343009]
  バスの群れは交通と乗客の需要のために都市交通にとって困難である。 バス保持制御のための単エージェント強化学習フレームワークを提案する。 修正されたアクター・クリティは,ベンチマークよりも安定かつ優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-08-28T13:47:40Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• Collision Avoidance Verification of Multiagent Systems with Learned Policies [9.550601011551024]
  本稿では,マルチエージェントフィードバックループ(MA-NFL)の衝突回避特性を検証するための後方到達性に基づくアプローチを提案する。 私たちは多くの不確実性を説明しており、現実のシナリオとよく一致しています。 提案アルゴリズムは,MA-NFLの衝突回避アルゴリズムを模倣するエージェントを用いて,衝突回避特性を検証できることを示す。
  論文  参考訳（メタデータ） (2024-03-05T20:36:26Z)
• MADiff: Offline Multi-agent Learning with Diffusion Models [79.18130544233794]
  MADiffは拡散型マルチエージェント学習フレームワークである。 分散ポリシと集中型コントローラの両方として機能する。 実験の結果,MADiffは様々なマルチエージェント学習タスクにおいて,ベースラインアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-27T02:14:09Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。