論文の概要: Trajectory-Initialized Neural Double Q-Routing for Large-Scale Overhead Hoist Transport Systems
- arxiv url: http://arxiv.org/abs/2608.30512v1
- Date: Mon, 31 Aug 2026 09:47:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.333927
- Title: Trajectory-Initialized Neural Double Q-Routing for Large-Scale Overhead Hoist Transport Systems
- Title（参考訳）: 大規模オーバヘッドホイスト輸送システムのための軌道初期化ニューラルダブルQルーティング
- Abstract要約: 大規模産業用ロボットは、安全分離、交差点アクセス、下流封鎖、ステーション競合に依存する旅行時間を制限された物理的なインフラを共有している。
本稿では,宛先インデックステーブルを共有状態-動作値ネットワークに置き換えるニューラルダブルQルーチンを提案する。
6つの150-OHT設定と200-OHT設定で比較されたすべてのメソッドの中で、最も低い平均完了時間を達成する一方、Dijkstraは3つの100-OHT設定で最良である。
- 参考スコア（独自算出の注目度）: 2.8555387714154485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale industrial robot fleets share constrained physical infrastructure, making vehicle travel times dependent on safety separation, intersection access, downstream blocking, and station contention. We study this problem in overhead hoist transport (OHT) systems, a representative ceiling-mounted material-handling system used in semiconductor fabs. Static shortest-path routing cannot account for these time-varying traffic costs, whereas tabular Q-routing adapts online but learns each destination--node--action value independently, limiting information sharing across sparsely visited routing contexts and making startup behavior sensitive to inaccurate value estimates. We propose Neural Double Q-routing, which replaces destination-indexed tables with a shared state--action value network. The network is warm-started through return-to-go regression on mixed simulator-generated routing trajectories and then refined online using Double-Q updates, local congestion correction, and event-stratified structured replay. Across nine matched fleet-size--arrival-rate settings with 100, 150, and 200 OHTs, the proposed framework reduces mean completion time relative to tabular Double Q-routing by $0.8\%$--$8.8\%$. It achieves the lowest mean completion time among all compared methods in the six 150- and 200-OHT settings, whereas Dijkstra remains best in the three 100-OHT settings. Completed-task counts remain within $1\%$ of tabular Double Q-routing in eight of nine settings, and 95th-percentile completion time decreases in eight settings. In two matched startup scenarios, offline initialization increases the number of completed tasks by up to $23\%$ and reduces tail completion time by up to $15\%$.
- Abstract（参考訳）: 大規模産業用ロボットは、物理的に制約されたインフラを共有しており、車両の走行時間を安全分離、交差点アクセス、下流封鎖、ステーション競合に依存する。
本稿では,半導体ファブに代表される天井実装材料処理システムであるオーバヘッドホイストトランスポート(OHT)システムにおけるこの問題について検討する。
静的なショートパスルーティングは、これらの時間的なトラフィックコストを考慮できないが、表のQルーティングは、オンラインに適応するが、それぞれの宛先-ノード-アクション値を独立に学習し、わずかに訪れたルーティングコンテキスト間での情報共有を制限し、スタートアップの振る舞いを不正確な値推定に敏感にする。
本稿では,宛先インデックステーブルを共有状態-動作値ネットワークに置き換えるニューラルダブルQルーチンを提案する。
ネットワークは、混合シミュレータ生成ルーティングトラジェクトリのリターン・ツー・ゴーレグレッションを通じてウォームスタートし、ダブルQ更新、局所的な混雑補正、イベント階層化された構造化されたリプレイを使用してオンラインで洗練される。
提案手法は,100,150,200 OHTのフラッグサイズに適合する9つのレート設定において,表のダブルQルーティングに対する平均完了時間を$0.8\%$-$8.8\%$に削減する。
6つの150-OHT設定と200-OHT設定で比較されたすべてのメソッドの中で、最も低い平均完了時間を達成する一方、Dijkstraは3つの100-OHT設定で最良である。
完全なタスク数は、9つの設定のうち8つの設定でタブ状のダブルQルーティングの1\%以下であり、95%の完了時間は8つの設定で減少する。
一致する2つのスタートアップシナリオでは、オフラインの初期化により、完了したタスクの数が最大23\%まで増加し、テール完了時間を最大15\%まで短縮する。
関連論文リスト
- HetRoute Heterogeneous and Cost-aware Collaborative Routing Framework for Distributed Edge MoE Inference [47.0879800334801]
HetRouteは、分散エッジMoE推論のための異種コスト対応協調ルーティングフレームワークである。
HetRouteは平均推論遅延を59.0%、P99レイテンシを58.0%まで削減する。
論文 参考訳（メタデータ） (2026-08-01T10:30:01Z) - TrimMoE A communication aware and adaptive depth framework for distributed edge inference [44.83947237773358]
Serving Mixture-of-Experts (MoE) large language model across distributed edge server is scared by cross-server expert transmission。
本稿では,TrimMoEを提案する。TrimMoEは,レイヤスキップと信頼に基づく早期退避と,代用実行とサーバ専門家の選択を結合する。
異種10サーバテストベッドでは、TrimMoEは平均レイテンシを62.8%まで削減し、クロスサーバトラフィックとリモート実行比率を下げ、負荷下で高いスループットを維持する。
論文 参考訳（メタデータ） (2026-08-01T10:19:02Z) - Cooperative Platoon Routing and Dispatching via Edge-Assisted Hybrid Quantum Optimization [1.856334276134661]
本稿では,小隊対応車両ルーティングのためのエッジアシスト・クローズドループ評価パイプラインを開発する。
ロードサイドユニットは、ビデオからローカルトラフィックキネマティクスを推定し、セグメントレベルのフロー安定性を分類し、クローズギャップ調整が物理的に適切である道路セグメントのみに小隊報酬を発動する。
我々は、ニューヨーク州トロイの24時間顕微鏡SUMOシミュレーションとIBM Quantumハードウェアベンチマークを用いて、フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-08-01T08:35:27Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - NetKV: Network-Aware Decode Instance Selection for Disaggregated LLM Inference [0.0]
現在のスケジューラは、計算負荷とプレフィックスキャッシュのローカリティのみをルートする。
ネットワーク用語を無視した場合、コンテキスト長が増加するにつれてキャッシュのみのスケジューリングが任意に準最適であることを示す。
我々は、NetKVがラウンドロビンで平均TTFTを21.2%、調整されたキャッシュ+ロード対応スケジューラで17.6%削減することを示した。
論文 参考訳（メタデータ） (2026-06-02T17:06:57Z) - The Recurrent Transformer: Greater Effective Depth and Efficient Decoding [48.9323408950142]
Recurrent Transformerは、各レイヤがそれぞれのアクティベーションから計算されたキーと値のペアに付随する、シンプルなアーキテクチャ変更である。
このアーキテクチャは, (i) 従来のトランスフォーマーと (ii) トークン・ツー・グレッシブ・リカレント更新の両方を軽度な仮定でエミュレートできることを示す。
論文 参考訳（メタデータ） (2026-04-23T02:12:58Z) - Dual-Pool Token-Budget Routing for Cost-Efficient and Reliable LLM Serving [9.457255218406333]
プロダクションvLLMフリートは通常、最悪のコンテキスト長に対して各インスタンスをプロビジョニングする。
実際には、80-95%のリクエストは短いが、長いコンテキストに最適化された設定の下で提供される。
本稿では,同種艦隊を2つの専用プールに分割する軽量ディスパッチ機構であるデュアルプールトークン予算ルーティングを提案する。
論文 参考訳（メタデータ） (2026-04-09T10:47:20Z) - Quantum Inspired Vehicular Network Optimization for Intelligent Decision Making in Smart Cities [2.449235776276883]
本稿では、車間通信(V2V)と車間通信(V2I)を協調的に最適化する量子インスパイアされたフレームワークQIVNOMを提案する。
その結果、QIVNOMは平均エンドツーエンドのレイテンシを57.3msに減らし、最高のベースラインよりも約20%低くした。
論文 参考訳（メタデータ） (2026-03-26T03:04:50Z) - Progressive Supernet Training for Efficient Visual Autoregressive Modeling [56.15415456746672]
本稿では,パラダイムとフルネットワークの両方の世代品質のフロンティアを突破するトレーニング戦略を提案する。
ImageNetの実験では、事前訓練されたVAR-d30、VARiant-d16、VARiant-d8と比べ、ほぼ同等の品質を実現している。
VARiant-d2は3.5倍のスピードアップと80%のメモリ削減を実現している。
論文 参考訳（メタデータ） (2025-11-20T16:59:24Z) - Kronecker-Factored Approximate Curvature for Modern Neural Network
Architectures [85.76673783330334]
線形重み付け層の2つの異なる設定がクロネッカー型近似曲率(K-FAC)の2つの風味を動機付けている
重み付けをそれぞれ設定したディープ・リニア・ネットワークに対して正確であることを示す。
グラフニューラルネットワークと視覚変換器の両方をトレーニングするために、これらの2つのK-FACの違いをほとんど観測しない。
論文 参考訳（メタデータ） (2023-11-01T16:37:00Z) - Traffic Light Control with Reinforcement Learning [0.0]
本稿では,ディープラーニングを用いたリアルタイム交通信号制御手法を提案する。
キューの長さ、遅延、移動時間、スループットを考慮した報酬関数が組み込まれている。
モデルは現在の交通条件に基づいて動的に位相変化を決定する。
論文 参考訳（メタデータ） (2023-08-28T04:29:49Z) - Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。
問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。
他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2022-10-25T04:46:30Z) - Balancing Fairness and Efficiency in Traffic Routing via Interpolated
Traffic Assignment [29.556405472628402]
補間交通割当問題(英: Interpolated Traffic Assignment Problem, I-TAP)は、公平性促進と効率性向上のための交通割当を補間する凸プログラムである。
輸送ネットワークにおけるI-TAPと最先端アルゴリズムの数値比較について述べる。
論文 参考訳（メタデータ） (2021-03-31T20:32:52Z)
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。