論文の概要: GuardPIBT: Counterfactually Gated Neural Guidance for Ultra-Large-Scale 3D Multi-Agent Path Finding

• arxiv url: http://arxiv.org/abs/2609.35267v1
• Date: Mon, 28 Sep 2026 14:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 07:01:40.788693
• Title: GuardPIBT: Counterfactually Gated Neural Guidance for Ultra-Large-Scale 3D Multi-Agent Path Finding
• Title（参考訳）: GuardPIBT:超大規模3次元マルチエージェントパス検出のための非現実的にゲートされたニューラルネットワーク誘導
• Abstract要約: ここでは、PIBTエグゼキュータを置き換えるのではなく、拡張するガードPIBTを紹介する。 神経予測はPIBTのネイティブ候補の残差の再注文のみを提案する。 グループゲートフィルタは、閉ループ効果が調整を劣化させる可能性がある。 最大10,000人のエージェントによる実験は、2Dおよび3D環境における信頼性の高い完成を実証している。
• 参考スコア（独自算出の注目度）: 14.26062175569592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale 3D multi-agent path finding becomes increasingly difficult under dense traffic. Priority Inheritance with Backtracking (PIBT) scales well, but its one-step goal-directed ordering may become insufficient under dense interactions and large-scale congestion. We present GuardPIBT, which augments rather than replaces the PIBT executor: neural predictions only propose residual reorderings of PIBT's native candidates, while final actions remain determined by PIBT. First, local graph attention models nearby interactions, while global source--goal transport features provide population-level coordination context for candidate reordering. Second, a counterfactual group gate filters reorderings whose closed-loop effects may degrade coordination. Third, for ultra-large populations, population-adaptive grouping preserves decision granularity, asynchronous cached inference amortizes neural computation, and selective repair resolves long-tail agents. PIBT retains validity checking, priority inheritance, and backtracking throughout. Experiments with up to 100,000 agents demonstrate reliable completion across 2D and 3D environments, including all three 100,000-agent warehouse runs with zero audited graph violations. The project website is available at {\color{magenta}\texttt{https://guardpibt.github.io/GuardPIBT/}}.
• Abstract（参考訳）: 大規模3次元マルチエージェントパスの発見は,高密度交通下ではますます困難になっている。 PIBT(Preferity Inheritance with Backtracking)のスケールは良好だが,その1ステップの目標指向順序付けは,密接な相互作用や大規模な混雑下では不十分になる可能性がある。 本稿では,PIBT を代替するよりも強化した GuardPIBT を提案する。 まず、局所的なグラフアテンションモデルと、グローバルソース-ゴールトランスポート機能は、候補の再順序付けのための人口レベルの調整コンテキストを提供する。 第二に、反ファクトなグループゲートフィルタは、閉ループ効果が調整を劣化させる可能性がある並べ替えをフィルタする。 第三に、超大規模な集団にとって、集団適応的なグループ化は決定の粒度を保ち、非同期キャッシュされた推論はニューラル計算を補正し、選択的な修復はロングテールエージェントを解消する。 PIBTは、妥当性確認、優先度継承、バックトラッキングを至る所で維持する。 最大10万のエージェントによる実験では、2Dおよび3D環境にまたがる信頼性の高い完成を実証している。 プロジェクトのWebサイトは {\color{magenta}\texttt{https://guardpibt.github.io/GuardPIBT/}}で公開されている。

関連論文リスト

• One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
  同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。 トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。 OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
  論文  参考訳（メタデータ） (2026-09-06T08:32:59Z)
• When Genomic Masking Priors Fail to Transfer: Strong Variant Prediction, Weak Functional Generation [6.888870145233493]
  双方向離散拡散モデルは、両方の側面から欠落した配列を再構成できるため、ゲノムモデリングに自然に適しているように見える。 我々は, エントロピー誘導スパン配置が構成複雑領域の再構成圧力を集中させるという仮説の下で, GenDA (Genomic density-timized Absorbing Diffusion) を開発した。 私たちの結果は、この前提を部分的に支持するだけであります。
  論文  参考訳（メタデータ） (2026-09-04T08:21:34Z)
• A Graph Neural Network--Guided Genetic Algorithm for Physical Internet Supply Chain Optimization under Cost Uncertainty [0.0]
  本研究は, 工場, ハブ, 小売店の3つのエケロンネットワークに対する決定論的, 最小限の後悔モデルを定式化した。 代入決定のためのグラフニューラルネットワーク誘導遺伝的アルゴリズム(GNN-GA)を開発する。
  論文  参考訳（メタデータ） (2026-08-10T21:26:59Z)
• Amplitude-Only FFN Intervention for Tool-Structured LLM Inference Method: Gated Evaluation Protocol, and Cross-Model Empirical Results [10.526208975530054]
  モデル重みをトレーニングせずに構造出力を改善するために,推定時フィードフォワードネットワーク(FFN)の介入について検討した。 増幅ゲーティング(Amplitude Gating, AG)は、未訓練のFFNの重量方向を保存し、生成時にのみ活性化の程度を調節する非破壊的な代替手段である。 これらの結果から,安全なFFNレベルの推論最適化のための最も信頼性の高い第1ターゲットとして,ツール構造推論が同定された。
  論文  参考訳（メタデータ） (2026-07-13T07:28:55Z)
• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• Beyond the Attention Stability Boundary: Agentic Self-Synthesizing Reasoning Protocols [6.357772907811544]
  SSRP(Self- Synthesizing Reasoning Protocols)は、アーキテクチャ計画と手続き実行の分離を実装するメタ認知フレームワークである。 提案する実験層は,浅電流に基づく検索パイロット,高エントロピーSOP,セマンティックハイジャック3ホップ多要素合成タスクの3種類である。 以上の結果から,GPT 5.4の非定常バニラ基準線が0.1%に崩壊し,SSRPは715X耐力限界を達成した。
  論文  参考訳（メタデータ） (2026-04-27T14:13:30Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Unsupervised Geodesic-preserved Generative Adversarial Networks for Unconstrained 3D Pose Transfer [84.04540436494011]
  任意の任意の任意の3次元メッシュ間のポーズ転送を行うための教師なしアプローチを提案する。 具体的には、内因性(形状)と外因性(ポーズ)の情報保存について、新規な内因性-外因性保存生成ネットワーク(IEP-GAN)を提示する。 提案手法は,最近の最先端手法と比較して,より優れた結果が得られ,より効率的である。
  論文  参考訳（メタデータ） (2021-08-17T09:08:21Z)
• Weakly Supervised Generative Network for Multiple 3D Human Pose Hypotheses [74.48263583706712]
  単一画像からの3次元ポーズ推定は、欠落した深さのあいまいさに起因する逆問題である。 逆問題に対処するために,弱い教師付き深層生成ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T09:26:01Z)

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。