論文の概要: MORPH: Self-Organising Multi-Robot Task Allocation via Neuroplasticity-Inspired Adaptive Topology

• arxiv url: http://arxiv.org/abs/2609.32745v1
• Date: Sat, 26 Sep 2026 16:04:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:45:38.291508
• Title: MORPH: Self-Organising Multi-Robot Task Allocation via Neuroplasticity-Inspired Adaptive Topology
• Title（参考訳）: MORPH: 神経可塑性にインスパイアされた適応トポロジーによる自律型マルチロボットタスクアロケーション
• Abstract要約: 動的環境におけるマルチロボットタスク割り当て(MRTA)は、基本的な緊張に直面している。 MORPHは,4つの局所的可塑性規則からグローバルなアロケーション品質が出現する,訓練不要なMRTAフレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-robot task allocation (MRTA) in dynamic environments faces a fundamental tension: effective coordination requires learned structure, but that structure must adapt when conditions change. Existing methods resolve this by assuming prior task knowledge, a utility function, a cost matrix, or a trained policy making them brittle when deployed without such knowledge or when task distributions shift. We present MORPH(Multi-agent Online Rewiring through Plasticity-guided Hierarchy), a training-free MRTA framework where global allocation quality emerges from 4 local plasticity rules (synaptic, homeostatic, structural, and metaplasticity) applied to a directed pairwise preference matrix updated from runtime co-occurrence and task-completion feedback. MORPH requires no task model, no bid computation, and no offline training; response decisions use learned AGV-to-Picker preferences rather than a fixed proximity rule. Within the Gerkey-Mataric MRTA taxonomy, MORPH is the first method in the single-task, single-robot, instantaneous-assignment class to learn directed pairwise allocation preferences online. Evaluated on the TA-RWARE warehouse benchmark (8-24 agents, 4 maps, 800 steps per episode, 5 seeds), MORPH achieves 110% of all-to-all throughput at N=24 while using only 21% of possible coordination links as an efficiency advantage that grows monotonically with fleet size. Under spatial task distribution shift, MORPH degrades 3x less than proximity-based methods while its learned preferences remain uncorrelated with Manhattan distance. Systematic ablation confirms all four plasticity rules contribute measurably. Two allocation properties emerge without programming: cross-type preference dominance and progressive preference sparsification, mirroring the developmental refinement of biological neural circuits. Learned preferences are driven by task co-occurrence history, not spatial proximity.
• Abstract（参考訳）: 動的環境におけるマルチロボットタスク割り当て(MRTA)は、基本的な緊張に直面している。 既存の手法では、事前のタスク知識、ユーティリティ機能、コストマトリックス、あるいは訓練されたポリシーを仮定して、そのような知識を使わずにデプロイしたり、タスク分布がシフトした場合に不安定になる。 MORPH(Multi-agent Online Rewiring through Plasticity-guided Hierarchy)は,4つの局所的可塑性規則(シナプス,ホメオスタティック,構造,メタ塑性)からグローバルなアロケーション品質を,実行時共起およびタスク補完フィードバックから更新された双方向の選好行列に適用する,訓練不要なMRTAフレームワークである。 MORPHはタスクモデルや入札計算、オフライントレーニングを必要としない。 Gerkey-Mataric MRTA分類学の中では、MORPHは、オンライン上で双方向のアロケーションの好みを学習するための、シングルタスク、シングルロボット、即時アサインメントクラスにおいて、最初の方法である。 TA-RWAREの倉庫ベンチマーク(エージェント8-24、4マップ800ステップ、1回800ステップ、5シード)で評価すると、MORPHはN=24で全スループットの110%を達成できる。 空間的タスク分散シフトの下では、MORPHは近接ベースの手法よりも3倍も低下するが、その学習された嗜好はマンハッタン距離とは無関係である。 システマティックアブレーションは、4つの可塑性規則がすべて測定可能であることを確認します。 プログラムなしで2つのアロケーション特性が出現する: クロスタイプ選好支配とプログレッシブ選好スパーシフィケーションであり、生物学的神経回路の発達的洗練を反映している。 学習された嗜好は、空間的近接ではなく、タスク共起履歴によって駆動される。

関連論文リスト

• TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems [55.81570336226014]
  動的マルチエージェントシステムのためのテスト時間共進化フレームワークであるTacoMASを紹介する。 TacoMASはMAS推論をオンライングラフ適応のタスクとして定式化し、ノードは役割固有の能力を持つエージェントを表し、エッジはその通信トポロジを定義する。 4つのベンチマークの実験では、TacoMASは20近いマルチエージェントベースラインを上回り、最強ベースラインよりも平均13.3%向上した。
  論文  参考訳（メタデータ） (2026-05-10T13:52:00Z)
• HMACE: Heterogeneous Multi-Agent Collaborative Evolution for Combinatorial Optimization [19.90781293176099]
  HMACEは異種多言語協調進化フレームワークである。 それぞれの進化生成を4つの調整されたエージェントで自律的で役割特異的なループに分解する。 冗長な評価を避けながら、多様で有望な行動への探索を導く。
  論文  参考訳（メタデータ） (2026-05-08T04:02:28Z)
• SIMPLER: Efficient Foundation Model Adaptation via Similarity-Guided Layer Pruning for Earth Observation [3.1313965020437546]
  SIMPLERは,予測とデプロイメントのコストを削減できるアーキテクチャ選択手法である。 Prithvi-EO-2では、SIMPLERは最大79%のパラメータを持ち、ベースライン性能は94%であり、2.1倍のトレーニングスピードアップと2.6倍の推論スピードアップをもたらす。
  論文  参考訳（メタデータ） (2026-03-20T11:38:32Z)
• Surgical Post-Training: Cutting Errors, Keeping Knowledge [14.639241720055658]
  手術後の訓練は、学習済みの事前知識を維持しながら推論を効率的に最適化するために設計されたパラダイムである。 4kの修正された数学データペアだけで、SPoTはQwen3-8Bの精度をドメイン内およびOODタスク全体で平均6.2%改善する。
  論文  参考訳（メタデータ） (2026-03-02T10:12:56Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• Dynamic Context-oriented Decomposition for Task-aware Low-rank Adaptation with Less Forgetting and Faster Convergence [131.41894248194995]
  タスク認識方式でアダプタを初期化する新しい手法であるコンテキスト指向分解適応(CorDA)を提案する。 本手法は,タスク認識により,知識保存モード (KPM) と命令レビューモード (IPM) の2つのオプション適応モードを実現する。
  論文  参考訳（メタデータ） (2025-06-16T07:55:14Z)
• Proto Successor Measure: Representing the Behavior Space of an RL Agent [37.55496993803242]
  汎用強化学習アルゴリズムでは「ゼロショット学習」が有効である。 本稿では,強化学習エージェントのすべての行動に対する基礎セットとして,Proto Successor Measureを提案する。 我々は,環境から報酬のないインタラクションデータを用いて,これらの基礎関数を学習する実用的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-11-29T00:09:39Z)
• Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [115.79349923044663]
  FSCIL(Few-shot class-incremental Learning)は、限られた例から新しいクラスを段階的に学習することを目的としている。 静的アーキテクチャは固定パラメータ空間に依存して、逐次到着するデータから学習し、現在のセッションに過度に適合する傾向がある。 本研究では,FSCILにおける選択状態空間モデル(SSM)の可能性について検討する。
  論文  参考訳（メタデータ） (2024-07-08T17:09:39Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Meta Reinforcement Learning with Autonomous Inference of Subtask Dependencies [57.27944046925876]
  本稿では,タスクがサブタスクグラフによって特徴づけられるような,新しい数発のRL問題を提案し,対処する。 メタ政治を直接学習する代わりに、Subtask Graph Inferenceを使ったメタラーナーを開発した。 実験の結果,2つのグリッドワールド領域とStarCraft II環境において,提案手法が潜在タスクパラメータを正確に推定できることが確認された。
  論文  参考訳（メタデータ） (2020-01-01T17:34:00Z)

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。