論文の概要: Synergizing Drone Delivery Order Pooling and Road Network Monitoring through Monitoring-Task Orderization
- arxiv url: http://arxiv.org/abs/2610.05270v1
- Date: Sun, 04 Oct 2026 14:45:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 22:11:49.534449
- Title: Synergizing Drone Delivery Order Pooling and Road Network Monitoring through Monitoring-Task Orderization
- Title（参考訳）: 監視タスクオーダライゼーションによるドローン配送順序の同期化と道路ネットワークモニタリング
- Abstract要約: 我々は、配達員が発射台に注文を輸送し、ドローンが最終配達をキオスクに完了させる、クーリエとドローンの協調的な設定について検討する。
ドローンは1回の飛行で複数の発着順を整理し、リアルタイムの交通情報収集のために監視対応の経路調整を行う。
本稿では,道路ネットワークノードの混雑度が高く,古い情報を仮想的な監視順序に変換する監視タスクオーダライゼーションを提案する。
- 参考スコア（独自算出の注目度）: 7.308058325557103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates the real-time dispatch of a shared drone fleet for on-demand food delivery and urban road network monitoring. We consider a courier-drone collaborative setting in which couriers transport orders to launchpads and drones complete the final delivery leg to kiosks. Drones may consolidate multiple origin-destination orders within one flight and make monitoring-aware route adjustments to collect real-time traffic information subject to delivery-time constraints. This yields a joint decision problem coupling dynamic order-to-drone matching, multi-order pooling, routing, and time-varying monitoring under fleet-level competition and uncertainty. We propose monitoring-task orderization, which periodically converts road-network nodes with high congestion and stale information into virtual monitoring orders. Pooling these virtual tasks with food-delivery orders creates a unified heterogeneous task set and transforms the coupled matching-and-routing problem into an order-level decision process. Building on this abstraction, we formulate a decentralized graph-interdependent Multi-Agent Markov Decision Process and develop Graph Multi-Agent Q-Learning (Graph-MAQL), which captures localized inter-agent dependencies through bipartite match coordination graphs. Agent-task value estimates are then used as edge weights in a dynamic heterogeneous bipartite matching program for globally feasible execution. Experiments using real-world data reveal strong operational synergy between delivery and monitoring. Monitoring-task orderization improves monitoring performance by 25.1% with less than a 1% reduction in delivery performance, while Graph-MAQL improves the aggregate objective by up to 20.8%, reduces deadline violations by over 40%, and transfers zero-shot to higher demand intensity without retraining.
- Abstract（参考訳）: 本稿では,オンデマンドフードデリバリーと都市道路ネットワーク監視のための共有ドローン隊のリアルタイム派遣について検討する。
我々は、配達員が発射台に注文を輸送し、ドローンが最終配達をキオスクに完了させる、クーリエとドローンの協調的な設定について検討する。
ドローンは1回の飛行で複数の発着順を整理し、リアルタイムの交通情報収集のために監視対応ルートを調整できる。
これにより、動的順序対ドローンマッチング、複数順序プーリング、ルーティング、および艦隊レベルの競合と不確実性の下での時間変化監視を結合する共同決定問題が得られる。
本稿では,道路ネットワークノードの混雑度が高く,古い情報を仮想的な監視順序に変換する監視タスクオーダライゼーションを提案する。
これらの仮想タスクをフードデリバリー順序でポーリングすると、統一された異種タスクセットが生成され、結合されたマッチングとルーティングの問題が順序レベルの決定プロセスに変換される。
この抽象化に基づいて、分散化されたグラフ相互依存型マルチエージェントマルコフ決定プロセスを定式化し、二部マッチンググラフを通して局所的なエージェント間依存関係をキャプチャするグラフマルチエージェントQラーニング(Graph Multi-MAQL)を開発する。
エージェントタスク値の推定値は、グローバルに実行可能な動的ヘテロジニアスなバイパートイトマッチングプログラムのエッジウェイトとして使用される。
実世界のデータを用いた実験では、デリバリと監視の間の強力な運用シナジーが明らかになった。
監視タスクのオーダライゼーションは、デリバリパフォーマンスを1%未満で25.1%改善する一方、Graph-MAQLは、集計目標を最大20.8%改善し、期限違反を40%以上削減し、再トレーニングなしでゼロショットを高要求強度に転送する。
関連論文リスト
- End-to-End Latency-Minimizing and Load-Balanced Request Scheduling for Edge LLM Inference in Agentic AI Services [13.04369901641143]
大規模言語モデル(LLM)を使用したエージェントAIサービスでは、低レイテンシ推論がますます求められている。
本研究では,各要求に対する送信,プリフィル,再分配レベル復号化,キー値キャッシュの進化をキャプチャするクロススロット推論モデルを開発した。
本稿では,Lyapunov最適化による長期負荷分散制約を変換するLYREO手法を提案する。
論文 参考訳（メタデータ） (2026-09-15T13:50:54Z) - Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。
ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-09-04T23:32:11Z) - Joint UAV Flight and Opportunistic Routing under Reinforcement Learning for Delay-Tolerant Networks [4.82972978331848]
遅延耐性ネットワーク(DTN)は、疎接続下でのストアキャリアフォワード(SCF)通信を不可欠にしている。
間欠的な接触、有限バッファ、および制限されたメッセージ・ツー・ライブ(TTL)は、しばしばスパース・デリバリーと混雑を引き起こす。
本研究は,無人航空機(UAV)飛行における分散型機会ルーティングと制御可能な無人航空機の協調最適化について検討する。
論文 参考訳（メタデータ） (2026-08-05T08:51:41Z) - Step-level Optimization for Efficient Computer-use Agents [51.29573359027217]
我々は、強力なコンピュータ利用エージェントは、実際は高価で遅いと論じている。
本稿では,コンピュータ利用エージェントのためのイベント駆動ステップレベルカスケードを提案する。
論文 参考訳（メタデータ） (2026-04-29T19:59:36Z) - Chimera: Latency- and Performance-Aware Multi-agent Serving for Heterogeneous LLMs [62.17306142810532]
ヘテロジニアスLSMクラスタ上で動作するマルチエージェントワークフローの予測スケジューリングシステムであるChimeraを提案する。
Chimeは最高のレイテンシをトレースし、エンドツーエンドのレイテンシを1.2-2.4$times$で削減し、タスクパフォーマンスを平均8.0-9.5ポイント改善する。
論文 参考訳（メタデータ） (2026-03-23T17:01:42Z) - ANCHOR: Branch-Point Data Generation for GUI Agents [52.22377425487]
デスクトップ環境向けのエンドツーエンドGUIエージェントは、大量の高品質なインタラクションデータを必要とする。
本稿では,拡張フレームワークであるAnchorについて紹介する。このフレームワークは,小規模で検証済みのシードデモから,スケーラブルなデスクトップ監視をブートストラップする。
OSWorldとWindowsAgentArenaの標準デスクトップベンチマークの実験では、拡張されたコーパスに微調整されたモデルが一貫した改善を実現している。
論文 参考訳（メタデータ） (2026-02-06T19:55:26Z) - GRAND: Guidance, Rebalancing, and Assignment for Networked Dispatch in Multi-Agent Path Finding [6.416429054645992]
本稿では,生涯多エージェントピックアップ・アンド・デリバリ(MAPD)のタスクスケジューリングについて述べる。
学習に基づくグローバルガイダンスと軽量な最適化を組み合わせたハイブリッド手法を提案する。
最大500エージェントの集約された倉庫ベンチマークでは、2024年の勝利スケジューラよりもスループットを最大10%向上させる。
論文 参考訳（メタデータ） (2025-12-02T19:44:57Z) - GraphTrafficGPT: Enhancing Traffic Management Through Graph-Based AI Agent Coordination [0.8999666725996978]
GraphTrafficGPTは、有向グラフのノードとエッジとしてタスクと依存関係を表現し、効率的な並列実行と動的リソース割り当てを可能にする。
Brain Agentは、ユーザクエリを分解し、最適化された依存グラフを構築し、データ検索、分析、可視化、シミュレーションのための特別なエージェントのネットワークを調整する。
実験の結果,GraphTrafficGPTはトークン消費量を50.2%削減し,平均応答遅延を19.0%削減した。
論文 参考訳（メタデータ） (2025-07-17T19:41:09Z) - Graph Based Deep Reinforcement Learning Aided by Transformers for Multi-Agent Cooperation [2.8169258551959544]
本稿では、グラフニューラルネットワーク(GNN)、深層強化学習(DRL)、マルチエージェント協調と集合タスク実行の強化のためのトランスフォーマーベースのメカニズムを統合する新しいフレームワークを提案する。
提案手法はGNNを用いて,適応グラフ構築によるエージェントエージェントとエージェントゴールの相互作用をモデル化し,制約付き通信下での効率的な情報集約と意思決定を可能にする。
論文 参考訳（メタデータ） (2025-04-11T01:46:18Z) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-07T11:41:18Z)
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。