論文の概要: Multi-Objective Agent-Based Model Predictive Controller for Plug-and-Play Vehicle Control

• arxiv url: http://arxiv.org/abs/2609.12108v1
• Date: Thu, 10 Sep 2026 18:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.512047
• Title: Multi-Objective Agent-Based Model Predictive Controller for Plug-and-Play Vehicle Control
• Title（参考訳）: プラグアンドプレイ車両制御のための多目的エージェントベースモデル予測制御
• Abstract要約: 機能統合は、車両制御の傾向が高まり、しばしば複数のコントローラの調整が伴う。 エージェントベースのモデル予測制御(AMPC)は、コントローラをエージェントとして扱う分散ソリューションとして登場した。 本稿では,多目的AMPCと呼ばれる新しい分散制御方式を提案する。
• 参考スコア（独自算出の注目度）: 18.92447175833456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional integration is a growing trend in vehicle control, often involving the coordination of multiple controllers to achieve various objectives simultaneously. The need for flexibility and reliability has led to a "plug-and-play" approach in control system design, which presents challenges for traditional integrated model predictive control (MPC). Agent-based model predictive control (AMPC) has recently emerged as a distributed solution that treats controllers as agents, creating a collaborative framework among them to reach a common goal. However, this approach struggles to manage distributed conflicting objectives when agents are coupled or interdependent. To address this, we propose a novel, practical distributed control scheme called multi-objective AMPC, which adapts the alternating direction method of multipliers (ADMM) into a general control strategy that approximates global optimization while decoupling objectives. We systematically develop three formulations that maintain convergence while addressing control regularization and inequality constraints, applying them to complex vehicle control systems for the first time. The proposed method has been tested on two vehicle control scenarios with a multi-objective topology. Different formulations are compared through simulations, and the most computationally efficient one was implemented on an electric vehicle for real-world evaluations. The results demonstrate that the proposed multi-objective AMPC can converge approximately to the same global optimum as integrated MPC with greater flexibility and the potential to reduce computational costs.
• Abstract（参考訳）: 機能統合は車両制御のトレンドであり、様々な目的を同時に達成するために複数のコントローラの調整を含むことが多い。 柔軟性と信頼性の必要性は、従来の統合モデル予測制御(MPC)の課題を示す制御系設計における"プラグ・アンド・プレイ(plug-and-play)"アプローチにつながった。 エージェントベースのモデル予測制御(AMPC)は、最近、コントローラをエージェントとして扱う分散ソリューションとして登場し、共通の目標を達成するための協調的なフレームワークを作成している。 しかしこのアプローチは、エージェントが結合されたり、相互依存されたりする際に、分散的な競合する目標を管理するのに苦労する。 そこで本研究では,多目的AMPC(Multi-objective AMPC)と呼ばれる新しい分散制御手法を提案する。 制御規則化と不等式制約に対処しながら収束性を維持する3つの定式化を系統的に開発し,それらを複雑な車両制御システムに適用した。 提案手法は,多目的トポロジを用いた2つの車両制御シナリオで検証されている。 異なる定式化はシミュレーションによって比較され、最も計算効率の良い定式化は実世界の評価のために電気自動車に実装された。 その結果, 提案した多目的AMPCは, より柔軟性が高く, 計算コストを低減できるため, 統合MPCと同じ大域的最適値に収束できることが示唆された。

関連論文リスト

• A Data-Driven Distributed Control Scheme: Learning Multi-Objective Agent-Based MPC for Path-Tracking [16.049627875354503]
  エージェントベースモデル予測制御 (AMPC) は, 様々な制御系を持つ車両システムに対して最近提案されている。 本稿では,設計の柔軟性と計算効率を向上させる学習用多目的AMPCを提案する。
  論文  参考訳（メタデータ） (2026-09-10T19:22:52Z)
• MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
  事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。 本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。 適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
  論文  参考訳（メタデータ） (2026-08-02T10:05:50Z)
• Iterative Critique-and-Routing Controller for Multi-Agent Systems with Heterogeneous LLMs [31.34021188099265]
  マルチエージェント大言語モデル(LLM)システムは、異種モデルのプールを調整するためのコントローラに依存していることが多い。 逐次決定問題としてマルチエージェントコーディネーションを提案する。
  論文  参考訳（メタデータ） (2026-05-09T04:51:42Z)
• PCHC: Enabling Preference Conditioned Humanoid Control via Multi-Objective Reinforcement Learning [50.63196995993855]
  多目的強化学習(MORL)を活用してPCHC(Preference-Conditioned Humanoid Control)を実現する新しいフレームワークを提案する。 当社のフレームワークは、単一の嗜好条件のポリシーを多種多様な行動を示すために有効である。
  論文  参考訳（メタデータ） (2026-03-25T07:55:37Z)
• MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning [68.91090643731987]
  深部強化学習(RL)は複雑な意思決定問題を解決するために広く応用されている。 既存のアプローチは、別々のフィールドに限られており、単一の目的でマルチエージェントの意思決定しか処理できない。 マルチオブジェクト型マルチエージェント強化学習(MOMARL)問題の解法としてMO-mixを提案する。
  論文  参考訳（メタデータ） (2026-02-28T16:25:22Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• Reinforcement Learning with Model Predictive Control for Highway Ramp Metering [14.389086937116582]
  この研究は、交通フロー管理を強化するためのモデルベースと学習ベースの戦略の相乗効果について考察する。 制御問題は、適切なステージコスト関数を作成することにより、RLタスクとして定式化される。 RLアルゴリズムの関数近似として MPC 最適問題を利用する MPC ベースの RL アプローチを提案し,オンランプの効率的な制御について検討した。
  論文  参考訳（メタデータ） (2023-11-15T09:50:54Z)
• Efficient Domain Coverage for Vehicles with Second-Order Dynamics via Multi-Agent Reinforcement Learning [9.939081691797858]
  本稿では,2次動的エージェントを含む多エージェント効率ドメインカバレッジ問題に対する強化学習(RL)手法を提案する。 提案するネットワークアーキテクチャには,LSTMと自己注意が組み込まれている。
  論文  参考訳（メタデータ） (2022-11-11T01:59:12Z)
• Policy Search for Model Predictive Control with Application to Agile Drone Flight [56.24908013905407]
  MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。 具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。 シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T17:39:24Z)
• Imitation Learning from MPC for Quadrupedal Multi-Gait Control [63.617157490920505]
  本稿では,歩行ロボットの複数の歩行を模倣する単一ポリシーを学習する学習アルゴリズムを提案する。 モデル予測制御によって導かれる模擬学習のアプローチであるMPC-Netを使用し、拡張します。 ハードウェアに対する我々のアプローチを検証し、学習したポリシーが教師に取って代わって複数の歩留まりを制御できることを示します。
  論文  参考訳（メタデータ） (2021-03-26T08:48:53Z)

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。