論文の概要: HALO: Heterogeneous Allocation Via Localized Observations for the Vehicle Routing Problem

• arxiv url: http://arxiv.org/abs/2609.38760v1
• Date: Wed, 30 Sep 2026 01:44:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.97879
• Title: HALO: Heterogeneous Allocation Via Localized Observations for the Vehicle Routing Problem
• Title（参考訳）: HALO: 車両経路問題に対する局部的観測による異種転位
• Abstract要約: 我々は、車両問題ルーティング(VRP)を解決するために、HALO(Localized Observations)による異種割当を提案する。 HALOはVRPを割り当てとルーティングの部分に分割して、動的環境下でロボットにリアルタイムでソリューションを提供するハイブリッド手法である。
• 参考スコア（独自算出の注目度）: 1.7721259583120395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scalable robotic fleets have become increasingly popular for various applications such as package delivery, warehouse management, and military operations. Prior fleet control algorithms solve centralized routing problems with up to $1{,}000$ tasks in controlled environments, yet they fail to consider realistic constraints such as limited observation and communication ranges typical of decentralized fleets. Thus, deploying existing fleet control algorithms into real-world settings is currently infeasible. To tackle this, we propose Heterogeneous Allocation via Localized Observations (HALO) to solve the Vehicle Routing Problem (VRP). HALO is a hybrid method that splits the VRP into allocation and routing portions to provide onboard, real-time solutions to robots in dynamic environments. During the allocation phase, HALO utilizes a heterogeneous graph neural network framework with unique message passing layers to explicitly separate the learning of spatial distributions and task-to-robot compatibility. Evaluation results on a partially observable, online variant of the VRP show HALO significantly outperforms the heuristic baseline while maintaining similar solution quality to an all-knowing offline variant of HALO. While HALO is explicitly designed for partially observable environments, it imposes no strict upper bound on the observation space allowing us to test HALO on the traditional static, single-depot VRP. Here, HALO outperforms state-of-the-art architectures strictly optimized for the static variant of the VRP by up to $14.06\%$. Throughout all testing, this framework maintains the quickest execution times which emphasizes its potential for large-scale, real-time deployment.
• Abstract（参考訳）: スケーラブルなロボット群は、パッケージ配送、倉庫管理、軍事運用など様々な用途で人気が高まっている。 以前のフリート制御アルゴリズムは、制御された環境で最大1,000ドルのタスクで集中的なルーティング問題を解決するが、分散化されたフリートに典型的な限られた観測や通信範囲のような現実的な制約を考慮できない。 したがって、既存のフリートコントロールアルゴリズムを現実世界の環境にデプロイすることは、現在不可能である。 そこで本研究では,車両ルーティング問題(VRP)を解決するために,HALO(Localized Observations)による異種割当を提案する。 HALOは、VRPを割り当てとルーティングの部分に分割して、動的環境下でロボットにリアルタイムでソリューションを提供するハイブリッド手法である。 割り当てフェーズの間、HALOは独自のメッセージパッシング層を持つ異種グラフニューラルネットワークフレームワークを使用して、空間分布の学習とタスク・トゥ・ロボットの互換性を明確に分離する。 部分的に観察可能なオンライン版VRPでは、HALOは、HALOのオフライン版と同様のソリューション品質を維持しながら、ヒューリスティックなベースラインを著しく上回っている。 HALOは、部分的に観測可能な環境のために設計されているが、観測空間に厳密な上限を課すことなく、従来の静的一点VRP上でHALOをテストすることができる。 ここでHALOは、VRPの静的変種に対して厳格に最適化された最先端アーキテクチャを14.06ドル%まで上回っている。 すべてのテストを通じて、このフレームワークは、大規模でリアルタイムなデプロイメントの可能性を強調する、最も速い実行時間を維持している。

関連論文リスト

• Localized LoRA-MoE: Block-wise Low-Rank Experts With Adaptive Routing [12.174849960744211]
  局所的な空間的ブロッキングと動的でコンテキスト効率の高いルーティングを融合する統合フレームワークであるLoRA-MoEを導入する。 実験により, 分散化されたセルレベルのゲーティングは, 全世界的なコーディネータによる完全な統計パリティを実現することが確認された。
  論文  参考訳（メタデータ） (2026-07-06T14:06:18Z)
• Vehicle-as-Prompt: A Unified Deep Reinforcement Learning Framework for Heterogeneous Fleet Vehicle Routing Problem [12.469727665338603]
  不均一艦隊車両ルーティング問題 (HFVRP) には、異種固定コスト、可変走行コスト、容量制約が含まれる。 我々は,様々な異なる設定で問題を解くことができる,統合された深層強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-04-06T21:48:52Z)
• Line-of-Sight-Constrained Multi-Robot Mapless Navigation via Polygonal Visible Regions [34.42294321573021]
  本稿では,未知の障害物を持つマルチロボットナビゲーションにおけるライン・オブ・ビュー(LoS)接続性維持問題について検討する。 本稿では,各ロボットがリアルタイムLiDARスキャンに基づいて,自我中心の可視領域のみを構築するという,本質的に分散したアプローチを提案する。 その結果,障害物が散らばった環境においてロボット間のLoS接続性を確実に維持できることが示唆された。
  論文  参考訳（メタデータ） (2026-03-27T11:33:25Z)
• Deep Adaptive Rate Allocation in Volatile Heterogeneous Wireless Networks [1.6332728502735252]
  本稿では、Transformerベースのパス状態予測と、Deep Adaptive Rate Allocation (DARA)と呼ばれる新しいマルチパス分割スケジューラを統合する。 DARAは利用可能なパス上で最適な混雑ウィンドウ率を計算し、それらの間のデータの割り当てを決定する。 DARAは、学習ベースのスケジューラに比べて、適度なボラティリティトレースによるファイル転送時間短縮を実現している。
  論文  参考訳（メタデータ） (2026-03-21T20:03:56Z)
• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments [19.811711277536187]
  マルチロボット探索は通常、フロンティア割り当てをローカルナビゲーションから切り離す。 VORL-EXPLOREは,この制約に対処するハイブリッド学習・計画フレームワークである。 また、グローバルA*ガイダンスとリアクティブ強化学習ポリシーとの間のリスク対応適応的仲裁機構も推進している。
  論文  参考訳（メタデータ） (2026-03-09T05:20:33Z)
• Controllable Exploration in Hybrid-Policy RLVR for Multi-Modal Reasoning [88.42566960813438]
  CalibRLは、制御可能な探索と専門家のガイダンスをサポートするハイブリッド政治RLVRフレームワークである。 CalibRLは政策エントロピーを誘導的に増加させ、目標分布を明らかにする。 ドメイン内設定とドメイン外設定の両方を含む8つのベンチマークの実験は、一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-02-22T07:23:36Z)
• Multi-Agent DRL for V2X Resource Allocation: Disentangling Challenges and Benchmarking Solutions [51.22818149833102]
  マルチエージェント強化学習(MARL)は、車間通信(C-V2X)ネットワークにおける無線リソース割り当ての有望なアプローチとして登場した。 しかし、MARLに固有の多面的課題はしばしば絡み合っており、車載環境における個々の影響を理解することは困難である。 我々は, C-V2X RRA を, 複雑さが徐々に増大する多エージェント干渉ゲーム列として定式化し, このギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-18T14:46:56Z)
• A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
  本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。 提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
  論文  参考訳（メタデータ） (2026-02-11T10:02:31Z)
• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。