論文の概要: Eventually Optimal and Scalable Multi-Agent Planning for Block Cave Mining
- arxiv url: http://arxiv.org/abs/2609.07109v1
- Date: Mon, 07 Sep 2026 06:49:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 01:31:48.90293
- Title: Eventually Optimal and Scalable Multi-Agent Planning for Block Cave Mining
- Title（参考訳）: ブロックケーブマイニングにおける最適かつスケーラブルなマルチエージェント計画
- Abstract要約: 本稿では,emphBlock Cave Mining (BCM) 問題の導入と形式化を行う。
この問題は、ドロー比の制約を満たしつつ、鉱石のスループットを最大化する輸送計画の計算に焦点をあてる。
本稿では,タスクの割り当て,スケジューリング,経路計画を協調的に統合する,最終的な最適解法であるSAMMを提案する。
また, SAMMの変種であるSAMMSを導入し, 問題をより短い計画サブサイクルに分解することで, 最適性保証と効率の両立を図る。
- 参考スコア（独自算出の注目度）: 11.365788644761226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automation in underground mining has the potential to significantly enhance safety, operational efficiency, and sustainability. However, effectively coordinating fleets of autonomous vehicles in dynamic mine environments introduces substantial challenges in both optimization and motion planning. To address these challenges, we introduce and formalize the \emph{Block Cave Mining (BCM)} problem, which focuses on computing a transport plan that maximizes ore throughput while satisfying draw ratio constraints. To solve this problem, we propose SAMM, an eventually optimal anytime solver that jointly integrates task assignment, scheduling, and path planning via a mixed-integer linear programming formulation. To improve scalability, we also introduce SAMMS, a variant of SAMM that trades optimality guarantees for efficiency by decomposing the problem into shorter planning subcycles. Experimental evaluations using realistic industrial mine scenarios demonstrate that SAMMS achieves near-optimal throughput and scales effectively to larger fleets and mine layouts.
- Abstract（参考訳）: 地下鉱業における自動化は、安全性、運用効率、持続可能性を大幅に向上させる可能性がある。
しかしながら、動的鉱山環境における自律走行車群を効果的に調整することは、最適化と運動計画の両方において重大な課題をもたらす。
これらの課題に対処するために、ドロー比の制約を満たすとともに、鉱石のスループットを最大化する輸送計画の計算に焦点を当てた「emph{Block Cave Mining (BCM)問題」を導入・定式化する。
そこで本研究では,タスク割り当て,スケジューリング,経路計画を混合整数線形計画法により統合する,最終的な最適時解法であるSAMMを提案する。
スケーラビリティを向上させるため,SAMMの変種であるSAMMSを導入し,問題をより短い計画サブサイクルに分解することで効率性を保証する。
実工業地雷のシナリオを用いた実験的評価は,SAMMSがほぼ最適スループットを達成し,より大きな船体や地雷の配置に効果的にスケールできることを実証している。
関連論文リスト
- World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。
内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。
nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
論文 参考訳（メタデータ） (2026-07-12T07:44:16Z) - Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions [1.3299507495084417]
本稿では,無人航空機(UAV)と無人地上航空機(UGV)のハンドオーバミッションのための学習用軌道計画フレームワークを提案する。
本稿では,デカップリング型エンコーダ・デコーダ長短期メモリ(LSTM)ネットワークを用いたニューラルサロゲートプランナを提案する。
ベンチマーク評価は、学習強化計画フレームワークが3倍以上のスピードアップと100%の最適化成功率を達成することを示した。
論文 参考訳（メタデータ） (2026-05-19T09:07:59Z) - HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。
我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-04T04:12:47Z) - MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness [5.419189180406189]
本稿では, リアルタイム環境認識に基づくUAVの多モードハイブリッド軌道計画手法を提案する。
今後の環境における飛行安全性を迅速に評価する目標指向型空間認識手法を提案する。
次に,多モードハイブリッド軌道計画機構を提案し,計画効率を向上させる。
論文 参考訳（メタデータ） (2026-03-03T07:23:19Z) - Task-free Adaptive Meta Black-box Optimization [55.461814601130044]
対象タスクからのみ最適化データを用いてオンラインパラメータ適応を行うアダプティブメタブラックボックス最適化モデル(ABOM)を提案する。
メタトレーニングと最適化フェーズを分離する従来のメタBBOフレームワークとは異なり、ABOMはクローズドループパラメータ学習機構を導入し、パラメータ化された進化演算子を継続的に自己更新する。
このパラダイムシフトはゼロショット最適化を可能にする: 合成BBOベンチマークにおけるABOMの競合性能と、手作りのトレーニングタスクを伴わない現実的な無人飛行路計画問題。
論文 参考訳（メタデータ） (2026-01-29T09:54:10Z) - SPOT: Spatio-Temporal Pattern Mining and Optimization for Load Consolidation in Freight Transportation Networks [13.121155604809372]
効率的な負荷統合計画は、交通管理プロセスとの整合性を確保するために慎重に選択された統合ポイントに依存している。
従来の最適化に基づくアプローチは正確な解決策を提供するが、その計算複雑性は大規模インスタンスでは実用的ではない。
この研究は、機械学習(ML)の利点と負荷統合の最適化を統合するエンドツーエンドアプローチであるSPOTを提案する。
論文 参考訳（メタデータ） (2025-04-13T18:14:38Z) - AI2STOW: End-to-End Deep Reinforcement Learning to Construct Master Stowage Plans under Demand Uncertainty [0.0]
本稿では,AI2STOWを提案する。AI2STOWは,要求不確実性の下でマスタープランを作成するための,実現可能性予測とアクションマスクを備えたエンドツーエンドの深層強化学習モデルである。
実験の結果,AI2STOWは強化学習やプログラミングのベースライン手法よりも客観的な性能と計算効率が優れていることが示された。
論文 参考訳（メタデータ） (2025-04-06T12:45:25Z) - Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。
今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。
タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
論文 参考訳（メタデータ） (2025-01-11T02:32:42Z) - CoDriveVLM: VLM-Enhanced Urban Cooperative Dispatching and Motion Planning for Future Autonomous Mobility on Demand Systems [17.765742276150565]
CoDriveVLMは、将来の自律型モビリティ・オン・デマンド(AMoD)システムのために、高忠実な同時ディスパッチと協調動作計画を統合する新しいフレームワークである。
提案手法は,視覚言語モデル(VLM)を用いて多モード情報処理を強化し,包括的ディスパッチと衝突リスク評価を可能にする。
論文 参考訳（メタデータ） (2025-01-10T17:44:57Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。
これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文 参考訳（メタデータ） (2021-06-19T18:06:11Z)
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。