論文の概要: Bundle Length Tradeoffs in Decentralized Multi-Robot Task Allocation Under Degraded Communications

• arxiv url: http://arxiv.org/abs/2609.06273v1
• Date: Sat, 05 Sep 2026 21:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 06:12:43.230921
• Title: Bundle Length Tradeoffs in Decentralized Multi-Robot Task Allocation Under Degraded Communications
• Title（参考訳）: 分散型マルチロボットタスクアロケーションにおける劣化通信時のバンドル長トレードオフ
• Abstract要約: MinSumとMinMaxは異なるタスク分布を好むことが知られているが、この目的トレードオフにおけるBの役割は体系的に特徴づけられていない。 理想的なコミュニケーションでは、Bが1から12に増加すると、ACBBA、PI、HIPCではMinSumのコストが19.0%、23.0%、31.8%削減される。 また, 損失条件のMinSumと比べ, MinMaxのコストを30.0%, 41.8%向上させるとともに, MinSumのペナルティを14.4%, 7.2%に抑えておくことを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bundle length B is commonly fixed when configuring multi-task multi-robot task allocation (MRTA) algorithms. MinSum and MinMax are known to favor different task distributions, but the role of B in this objective tradeoff has not been systematically characterized. Additionally, degraded-communication evaluations also often retain settings selected under ideal communication, leaving whether nominal bundle-length tuning transfers under message loss unresolved. We examine both questions for ACBBA, PI, and HIPC across six bundle lengths in 300 paired ten-target Collaborative Visit scenarios under ideal communication and 25% Bernoulli packet loss. Under ideal communication, increasing B from 1 to 12 reduces MinSum cost by 19.0%, 23.0%, and 31.8% for ACBBA, PI, and HIPC, respectively, while increasing MinMax cost by 45.6%, 94.3%, and 67.6%. Under packet loss, the lowest-mean MinSum setting shifts from B = 12 to B = 2 for ACBBA and PI. Repeated paired cross-fitting shows that retaining the ideal-network setting incurs held-out MinSum penalties of 14.4% and 7.2%, respectively, and increases MinMax cost by 30.0% and 41.8% relative to the loss-conditioned MinSum setting. HIPC retains a deep MinSum operating region, while the MinMax setting remains stable for all three allocators. Experiments at two additional target loads reproduce the ACBBA and PI MinSum shifts.
• Abstract（参考訳）: バンドル長Bは、マルチタスクマルチロボットタスク割り当て(MRTA)アルゴリズムの設定時に一般的に固定される。 MinSumとMinMaxは異なるタスク分布を好むことが知られているが、この目的トレードオフにおけるBの役割は体系的に特徴づけられていない。 さらに、劣化通信評価は、しばしば理想的な通信条件下で選択された設定を保持し、メッセージ損失による名目的なバンドル長のチューニング転送が未解決のままであるかどうかを判断する。 ACBBA,PI,HIPCの2つの質問を,理想的な通信と25%のBernoulliパケットロスの下で,300対の10ターゲット協調訪問シナリオにおいて6つのバンドル長にわたって検討した。 理想的な通信では、Bが1から12に増加すると、MinSumのコストは19.0%、23.0%、ACBBA、PI、HIPCが31.8%減少し、MinMaxのコストは45.6%、94.3%、67.6%上昇する。 パケット損失では、最小値のMinSum設定は、CBBAおよびPIに対してB = 12からB = 2にシフトする。 繰り返しペアのクロスフィッティングは、イデアル・ネットワーク・セッティングの継続がそれぞれ14.4%と7.2%のMinSumペナルティを保留し、損失条件のMinSumセッティングと比較してMinMaxコストを30.0%と41.8%上昇させることを示している。 HIPCは深いMinSum動作領域を保持し、MinMax設定は3つのアロケータすべてに対して安定している。 2つの追加目標荷重での実験は、CBBAとPI MinSumのシフトを再現する。

関連論文リスト

• Decentralized Multi-Robot Task Allocation Under Degraded Communication: A Benchmark of Performance, Reliability, and Computation [0.0]
  自律型プラットフォームへの組み込みのための分散マルチロボットタスクアロケーション(MRTA)法では,経路性能のみを考慮する必要がある。 我々は、MinMaxとMinSumの旅行、通信の堅牢性と需要、アロケーション信頼性、計算負荷、スケール感度のトレードオフを特徴付けるために、6つの分散MRTAアロケータ(CBAA, ACBBA, PI, HIPC, DMCHBA, DGA)を協調訪問シナリオでベンチマークした。
  論文  参考訳（メタデータ） (2026-09-12T04:47:44Z)
• Quantum-Informed Portfolio Selection: An End-to-End Pipeline Validated on Trapped-Ion Hardware with Real Market Data [10.505676456054193]
  ポートフォリオの多様化は、資産相関グラフ上の最大独立集合(MIS)問題として定式化することができる。 ハイブリッド量子古典アルゴリズムであるqReduMISを利用するエンドツーエンドパイプラインを提案する。 我々は、最大225の資産を持つ4大市場指標の実際の財務データについてqReduMISをベンチマークする。
  論文  参考訳（メタデータ） (2026-07-01T15:04:48Z)
• Consistent and Distinctive: LLM Benchmark Efficiency via Maximum Independent Set Prompt Selection on Similarity Graphs [4.397020178702767]
  本稿では,大規模言語モデル(LLM)を総合ベンチマークで評価するためのグラフベースのプロンプト選択フレームワークを提案する。 6つの埋め込みモデル,3つの距離測度,6%のしきい値,および4つのベンチマーク(GPQA, IFEval, MMLU-Pro, Omni-MATH)にまたがる4つのMISソルバを評価した。
  論文  参考訳（メタデータ） (2026-05-31T18:45:12Z)
• CRMA: A Spectrally-Bounded Backbone for Modular Continual Fine-Tuning of LLMs [0.0]
  我々は、内部混合行列 M がシンクホーン正規化による全ての前方通過において二重確率である残留アダプタ CRMA を紹介する。 5つのドメインにまたがるMistral-7Bでは、モジュラー・パー・タスクのLoRAは、+42.96%+/-5.5(ナイーブ微調整)から-0.17%+/-0.17までのバックボーンの損失相対的ドリフトを仲介する。
  論文  参考訳（メタデータ） (2026-05-29T21:50:23Z)
• STEP3-VL-10B Technical Report [115.89015065130127]
  STEP3-VL-10Bは、コンパクト効率とフロンティアレベルのマルチモーダルインテリジェンスとのトレードオフを再定義する軽量基盤モデルである。 そこで我々はPallel Coordinated Reasoning(PaCoRe)を実装して,テスト時間計算をスケールし,リソースをスケーラブルな知覚推論に割り当てる。 MMBenchでは92.2%、MMMUでは80.11%、AIME2025では94.43%、MathVisionでは75.95%である。
  論文  参考訳（メタデータ） (2026-01-14T17:58:24Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• LFM2 Technical Report [87.58431408281973]
  LFM2は、デバイス上での効率的なデプロイと強力なタスク機能を実現するために設計された、Liquid Foundation Modelsのファミリーである。 LFM2ファミリーは350M-8.3Bパラメータをカバーしており、密度の高いモデル(350M, 700M, 1.2B, 2.6B)と試験用混合物(合計8.3B, 1.5B)を含んでいる。 視覚遅延タスクのためのLFM2-VL,音声のためのLFM2-Audio,検索のためのLFM2-ColBERTを構築した。
  論文  参考訳（メタデータ） (2025-11-28T17:56:35Z)
• Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization [6.908972852063454]
  時間的行動の局所化は、正確な境界検出と計算効率の両方を必要とする。 我々は、境界距離回帰(BDR)と適応時間制限(ATR)という2つの補完的なイノベーションを通じてこの問題に対処する。 THUMOS14では、ActionFormer++ (55.7% mAP@0.7 at 235G) よりも36%少ないFLOPを用いて、151GのFLOPで56.5% mAP@0.7を達成する。
  論文  参考訳（メタデータ） (2025-11-06T00:41:54Z)
• Multi-agent Reinforcement Learning for Energy Saving in Multi-Cell Massive MIMO Systems [6.614630708703594]
  マルチセルネットワークにおける基地局 (BS) の総エネルギー消費を最小化するマルチエージェント強化学習 (MARL) アルゴリズムを開発した。 トレーニングされたMAPPOエージェントは,基本方針よりも優れた性能を示すことを示す。 具体的には、オートスリープモード1のアルゴリズムと比較して、MAPPO隣のポリシーは低交通時間帯では消費電力を約8.7%削減し、高交通時間帯ではエネルギー効率を約19%向上させる。
  論文  参考訳（メタデータ） (2024-02-05T17:15:00Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Pessimistic Minimax Value Iteration: Provably Efficient Equilibrium Learning from Offline Datasets [101.5329678997916]
  両プレイヤーゼロサムマルコフゲーム(MG)をオフライン環境で研究する。 目標は、事前収集されたデータセットに基づいて、近似的なナッシュ均衡(NE)ポリシーペアを見つけることである。
  論文  参考訳（メタデータ） (2022-02-15T15:39:30Z)
• Achieving the Pareto Frontier of Regret Minimization and Best Arm Identification in Multi-Armed Bandits [91.8283876874947]
  本稿では,BoBW-lil'UCB$(gamma)$アルゴリズムの設計と解析を行う。 i) RMとBAIの両方の目的に対して最適なアルゴリズムを同時に実行できないことを示す。 また、BoBW-lil'UCB$(gamma)$は、時間複雑性と後悔の点で競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-16T17:52:32Z)

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。