論文の概要: AssemblyGrid v1: A Benchmark for Multi-Robot Production with Temporary Coalitions, Local Information, and Geometric Constraints
- arxiv url: http://arxiv.org/abs/2609.16075v1
- Date: Sun, 13 Sep 2026 16:53:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.125437
- Title: AssemblyGrid v1: A Benchmark for Multi-Robot Production with Temporary Coalitions, Local Information, and Geometric Constraints
- Title（参考訳）: AssemblyGrid v1: 一時的な協調、ローカル情報、幾何学的制約によるマルチロボット生産のためのベンチマーク
- Abstract要約: 本稿では,反復的なマルチロボット生産のための再現可能なベンチマークである AssemblyGrid v1 を紹介する。
明示的なプロセスの進行、分散された観察、物質移動、一時的な複数ロボットの連立、生産的、幾何学に依存した実現可能性を組み合わせる。
その結果、中央集権的かつ分散化された制御下での生産的実行が示される。
- 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: Flexible robotic production requires joint decisions on process progression, material routing, resource assignment, temporary cooperation, and simultaneous execution, since each decision can affect the feasibility of the others. The challenge is greater under decentralized control, where each robot acts from bounded local information while system progress depends on collective decisions, shared resources, material state, and workspace compatibility. These properties closely match cooperative multi-agent decision making under partial observability and resource contention. This paper introduces AssemblyGrid v1, a reproducible benchmark for repeated multi-robot production that combines explicit process progression, decentralized observations, material transfer, temporary multi-robot coalitions, productive concurrency, and geometry-dependent feasibility within one task-level formulation. The benchmark includes Flow, Coalition, and Concurrency workload families, each with three scenario levels. Task success and evaluation measures are defined independently of learning reward and solution method, allowing learning-based and non-learning methods to address the same production problem. AssemblyGrid v1 is evaluated through executable conformance checks, mechanism studies, and algorithmic experiments using a privileged centralized reference, structured decentralized controllers, and MARL methods including IPPO, MAPPO, and QMIX. Results demonstrate productive execution under centralized and decentralized control. The MARL experiments further show that decentralized policies can learn effective production behavior from local observations and actions, supporting AssemblyGrid as a controlled benchmark for studying cooperative decision making in flexible robotic production.
- Abstract（参考訳）: 柔軟なロボット生産には、プロセスの進行、材料ルーティング、資源割り当て、一時的な協調、同時実行に関する共同決定が必要である。
システムの進歩は、集合的な決定、共有リソース、材料状態、ワークスペースの互換性に依存する。
これらの性質は、部分可観測性と資源競合の下での協調的マルチエージェント決定と密接に一致している。
本稿では, プロセスの明確な進行, 分散化観察, 物質移動, 一時的マルチロボット連立, 生産的並行性, および1つのタスクレベルの定式化における幾何依存実現性を組み合わせた, 繰り返し多ロボット生産のための再現可能なベンチマークである AssemblyGrid v1 を紹介する。
ベンチマークにはFlow、Coalition、Concurrencyのワークロードファミリが含まれており、それぞれに3つのシナリオレベルがある。
タスクの成功と評価は、学習報酬と解法とは独立して定義され、学習ベースおよび非学習方法は同じ生産問題に対処することができる。
AssemblyGrid v1は、IPPO、MAPPO、QMIXを含む特権集中型参照、構造化された分散型コントローラ、MARLメソッドを用いて、実行可能な適合性チェック、メカニズムスタディ、アルゴリズム実験を通じて評価される。
その結果、中央集権的かつ分散化された制御下での生産的実行が示される。
MARL実験は、分散された政策が局所的な観察と行動から効果的な生産行動を学ぶことを示し、フレキシブルなロボット生産において協調的な意思決定を研究するための制御されたベンチマークとして AssemblyGrid をサポートする。
関連論文リスト
- CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。
実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。
その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
論文 参考訳（メタデータ） (2026-06-10T17:26:08Z) - Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing [54.4933359656657]
本研究は,ランクアウェア交渉に基づくエッジAI駆動型分散タスク割り当てフレームワークを提案する。
ランキング対応の定式化は、最終的に学習目標を再認識し、勝者選択の順序付けに基づく性質に適合する。
その結果, 高負荷下での遅延および期限順守が向上し, より厳密な制約下でのエネルギー効率が向上した。
論文 参考訳（メタデータ） (2026-05-14T20:38:25Z) - Large Language Models over Networks: Collaborative Intelligence under Resource Constraints [64.76676115046651]
大規模言語モデル(LLMs)は、スマートフォンアシスタントから自律運転まで、アプリケーションを動かす社会を変えつつある。
しかし、クラウドベースのLLMサービスだけでは、成長するアプリケーションのクラスには役に立たない。
本稿では、複数の独立したLLMがタスクレベルで協調するパラダイムである協調インテリジェンスに焦点を当てる。
論文 参考訳（メタデータ） (2026-05-09T02:42:39Z) - Coordination Matters: Evaluation of Cooperative Multi-Agent Reinforcement Learning [1.9806597528054068]
プロセスレベルの診断でリターンを補うコーディネート・アウェア評価の視点を提案する。
制御されたコミットメント制約付き空間的タスク割り当てテストベッドSTATを用いて、この視点をインスタンス化する。
この結果から, 冗長配置の相違, 代入の多様性, タスク補完効率の相違など, 同様のリターン傾向が, 協調機構の相違を反映できることが示唆された。
論文 参考訳（メタデータ） (2026-05-07T16:50:53Z) - Learning Multi-Robot Coordination through Locality-Based Factorized Multi-Agent Actor-Critic Algorithm [54.98788921815576]
我々は,textbfLocalityをベースとしたtextbfFactorized textbfMulti-Agent textbfActor-textbfCritic (Loc-FACMAC) という新しい協調型マルチエージェント強化学習法を提案する。
我々は、局所性の概念を批判的学習に統合し、トレーニング中に強く関連するロボットが分割を形成する。
提案手法は,局所的な報酬に着目し,分割型学習を活用して既存のアルゴリズムを改良し,学習効率と性能を向上させる。
論文 参考訳（メタデータ） (2025-03-24T16:00:16Z) - Learning Decentralized Partially Observable Mean Field Control for
Artificial Collective Behavior [28.313779052437134]
分散部分観測可能なMFC(Dec-POMFC)の新しいモデルを提案する。
動的プログラミング原理を含む厳密な理論結果を提供する。
全体として、我々のフレームワークは、MFCによる人工集合行動のRLに基づく工学への一歩を踏み出した。
論文 参考訳（メタデータ） (2023-07-12T14:02:03Z) - Macro-Action-Based Multi-Agent/Robot Deep Reinforcement Learning under
Partial Observability [4.111899441919164]
最先端のマルチエージェント強化学習(MARL)手法は、様々な複雑な問題に対して有望な解決策を提供してきた。
まず,MacDec-POMDPに対する値に基づくRL手法を提案する。
3つの訓練パラダイムの下でマクロアクションに基づくポリシー勾配アルゴリズムを定式化する。
論文 参考訳（メタデータ） (2022-09-20T21:13:51Z) - MALib: A Parallel Framework for Population-based Multi-agent
Reinforcement Learning [61.28547338576706]
人口ベースマルチエージェント強化学習(PB-MARL)は、強化学習(RL)アルゴリズムでネストした一連の手法を指す。
PB-MARLのためのスケーラブルで効率的な計算フレームワークMALibを提案する。
論文 参考訳（メタデータ） (2021-06-05T03:27:08Z) - Spillover Algorithm: A Decentralized Coordination Approach for
Multi-Robot Production Planning in Open Shared Factories [0.34410212782758043]
動的なキャパシタブル生産計画問題に対して,シーケンス独立なセットアップコストで対処する。
我々は,ロボットを複数保有するオープンファクトリ環境において,この問題の分散マルチエージェント版を考える。
本論文では,このNPハード問題を解く流出効果に基づく計算効率の高い分散手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T16:23:45Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳（メタデータ） (2020-04-17T14:56:29Z)
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。