論文の概要: HiRAD: A Flexible Large-Scale AGV Routing System
- arxiv url: http://arxiv.org/abs/2609.09752v1
- Date: Wed, 09 Sep 2026 05:50:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.909806
- Title: HiRAD: A Flexible Large-Scale AGV Routing System
- Title（参考訳）: HiRAD: 柔軟な大規模AGVルーティングシステム
- Authors: Yunjie Huang, Ruizhong Wu, Mengxuan Zhang, Frodo Kin Sun Chan, Yan Nei Law, Lei Li,
- Abstract要約: 実時間保証付き連続空間AGVルーティングのための階層的RLフレームワークであるHiRADを提案する。
HiRADはフェイスパンを45%減らして63%減らし、エンドツーエンドのランタイムを短縮する。
- 参考スコア（独自算出の注目度）: 6.059667257410882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic Guided Vehicles (AGVs) substantially boost warehouse throughput, but routing large-scale AGV fleets remains challenging. Classical Multi-Agent Pathfinding solvers suffer from exploding combinatorial complexity and super-quadratic runtime, while relying on idealized grid or piecewise-linear motion models that mismatch real-world kinematics. Recent Reinforcement Learning (RL) solutions improve flexibility via decentralized agent policies but depend on discretized spatiotemporal representations, require millions of episodes to converge, and incur full-map observation at every step, which leads to large models, slow convergence, and high inference latency that violates real-time industrial control constraints. To address these bottlenecks, we propose HiRAD, a hierarchical RL framework for continuous-space AGV routing with real-time guarantees: (1) a step-level spatiotemporal representation that translates continuous motion into a differentiable RL problem, (2) a hierarchical strategy that splits heading choice from velocity control to reduce the action space, and (3) an asynchronous event-driven decision pipeline that lowers inference complexity from O(n^2) to O(n) and cuts per-step latency by as much as 71 percent. Across random graphs and two warehouse maps, HiRAD reduces makespan by 45 percent to 63 percent and shortens end-to-end runtime.
- Abstract（参考訳）: 自動誘導車両(AGV)は倉庫のスループットを大幅に向上させるが、大規模AGVの運用は依然として困難である。
古典的マルチエージェントパスフィンディング解法は、現実のキネマティクスをミスマッチする理想化されたグリッドや片方向の運動モデルに依存しながら、爆発的な組合せ複雑性と超二次的実行に悩まされる。
最近の強化学習(RL)ソリューションは、分散化されたエージェントポリシーを通じて柔軟性を向上させるが、離散化された時空間表現に依存し、何百万回ものエピソードを収束させ、すべてのステップでフルマップの観察を行う必要がある。
これらのボトルネックに対処するため, 実時間保証付き連続空間AGVルーティングのための階層的RLフレームワークであるHiRADを提案し, 1) 連続的な動きを微分可能なRL問題に変換するステップレベルの時空間表現, (2) 速度制御から行動空間を減少させるために方向選択を分割する階層的戦略, 3) O(n^2) から O(n) への推論複雑性を低減し,ステップ毎のレイテンシを最大71%削減する非同期イベント駆動決定パイプラインを提案する。
ランダムグラフと2つの倉庫マップを通じて、HiRADはメースパンを45%減らして63%減らし、エンドツーエンドのランタイムを短縮する。
関連論文リスト
- Intelligent Multi-UAV Navigation in ITNTNs: A Hierarchical LLM Approach [33.68706070829591]
大きな言語モデル(LLM)はセマンティック推論において優れているが、高い推論遅延に悩まされ、リアルタイムの空力制御には適さない。
高高度プラットフォームステーションにデプロイされた大規模なクラウドベースのLLMは、低速でグローバルなロードバランシングを管理する。
個々のUAV上の軽量のエッジLLMは、局所的な観測結果を戦術的なサブゴールに変換して、衝突のないハンドオーバ対応の軌道を実行する。
論文 参考訳（メタデータ） (2026-07-21T00:34:42Z) - Fast-dDrive: Efficient Block-Diffusion VLM for Autonomous Driving [54.31800246594724]
本稿では,ブロック拡散型VLAであるFast-dDriveについて述べる。
我々は、Fast-dDriveが運転エージェントの速度精度フロンティアを再定義することを示す。
論文 参考訳（メタデータ） (2026-05-22T02:31:32Z) - CLAP: Contrastive Latent-space Prompt Optimization for End-to-end Autonomous Driving [12.890001628695215]
CLAPは,ロードブロックごとのソフトプロンプトで凍結したVLA駆動モデルを拡張した位置認識適応フレームワークである。
様々な最先端のVLAバックボーンを持つNAVSIMベンチマークでは、CLAPは通常のフレームに回帰することなく、困難なシナリオ計画エラーを24%削減する。
論文 参考訳（メタデータ） (2026-05-17T06:45:53Z) - Towards Autonomous Railway Operations: A Semi-Hierarchical Deep Reinforcement Learning Approach to the Vehicle Rescheduling Problem [1.0348904561315861]
鉄道交通管理における混乱の管理は大きな課題である。
交通密度の増加とインフラの制限は複雑さを増す。
ほとんどのディスパッチは、問題の指数的な複雑さのため、人間の専門知識に依存している。
本稿では, 運転制約に合わせた半階層的RL定式化を提案する。
論文 参考訳（メタデータ） (2026-05-11T09:23:50Z) - RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。
様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。
強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
論文 参考訳（メタデータ） (2026-04-16T17:59:44Z) - 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) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
無線対応経路計画フレームワークであるSCoTTを提案する。
SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。
また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
論文 参考訳（メタデータ） (2024-11-27T10:45:49Z) - Applying Neural Monte Carlo Tree Search to Unsignalized Multi-intersection Scheduling for Autonomous Vehicles [7.32653612106583]
本稿では,車両のプラトンからの道路空間予約要求と競合する可能性のある道路空間予約要求のシーケンスを,ボードゲームのような一連の問題にマッピングする変換モデルを提案する。
我々はNMCTSを用いて、過去のアロケーションの文脈で最適な道路空間割り当てスケジュールを表すソリューションを探索する。
提案手法は,全交差点がPNMCTSの制御下にある場合,平均走行時間74.5%,総スループット16%のPNMCTSおよび最先端のRLベースのトラヒックライトコントローラよりも高い性能を示した。
論文 参考訳（メタデータ） (2024-10-24T14:37:55Z) - From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。
複雑な動的トラフィックシナリオを処理できる。
CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
論文 参考訳（メタデータ） (2024-10-03T06:45:59Z)
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。