論文の概要: Shared-Roadmap Generation and Evaluator for Multi-Agent Path Planning Using Heterogeneous Graph Neural Network

• arxiv url: http://arxiv.org/abs/2610.09034v1
• Date: Tue, 06 Oct 2026 19:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.573749
• Title: Shared-Roadmap Generation and Evaluator for Multi-Agent Path Planning Using Heterogeneous Graph Neural Network
• Title（参考訳）: 異種グラフニューラルネットワークを用いたマルチエージェント経路計画のための共有ロッドマップ生成と評価
• Abstract要約: 連続環境におけるマルチエージェントパス計画(MAPP)は、安全と探索効率のバランスをとるためのロードマップに依存することが多い。 格子格子や標準サンプリングベースのアプローチのような伝統的なロードマップ生成手法は、しばしばグラフ密度と、実現可能な高品質のソリューションを見つける可能性の間のトレードオフに直面します。 共有マルチエージェントロードマップの自動生成と評価のためのスケーラブルなヘテロジニアスグラフニューラルネットワーク(GNN)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.06999740786886537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent path planning (MAPP) in continuous environments often relies on roadmaps to balance safety and search efficiency. However, traditional roadmap generation methods, such as lattice grids or standard sampling-based approaches, frequently face a trade-off between graph density and the likelihood of finding feasible, high-quality solutions. In this paper, we propose a scalable heterogeneous Graph Neural Network (GNN) framework for the automated generation and evaluation of shared multi-agent roadmaps. Our model covers the representation of waypoints, agent locations, and task locations as distinct nodes in a heterogeneous graph, allowing it to reason over global connectivity and inter-agent interactions. By training on occupation density maps aggregated and collected from expert solver trajectories, the GNN learns to identify critical points of interest and prune redundant nodes and edges. This process produces a compact, coordination-aware roadmap that is invariant to task permutations and is reusable for multi-agent pick and delivery tasks. Experimental results demonstrate that our framework can reduce planning effort and can potentially find better solutions, reaching at least 40% reduction in runtime and in graph size for dense roadmaps.
• Abstract（参考訳）: 連続環境におけるマルチエージェントパス計画(MAPP)は、安全と探索効率のバランスをとるためのロードマップに依存することが多い。 しかし、格子格子や標準サンプリングベースのアプローチのような従来のロードマップ生成手法は、しばしばグラフ密度と、実現可能な高品質なソリューションを見つける可能性の間のトレードオフに直面している。 本稿では,共有マルチエージェントロードマップの自動生成と評価のためのスケーラブルなヘテロジニアスグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々のモデルは、異種グラフ内の異なるノードとして、経路ポイント、エージェント位置、タスク位置の表現をカバーし、グローバルな接続性やエージェント間相互作用の推論を可能にする。 GNNは、専門家ソルバ軌跡から収集・収集された占有密度マップのトレーニングにより、重要な関心点や冗長なノードやエッジを特定することを学ぶ。 このプロセスは、タスクの置換に不変で、マルチエージェントのピックおよびデリバリタスクに再利用可能な、コンパクトでコーディネート対応のロードマップを生成する。 実験の結果、我々のフレームワークは計画の労力を減らし、より良いソリューションを見つけることができ、実行時の少なくとも40%の削減と、密集したロードマップのグラフサイズに到達できることが示された。

関連論文リスト

• GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
  車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。 提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-05-21T03:33:07Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Learning to Identify Graphs from Node Trajectories in Multi-Robot Networks [15.36505600407192]
  本稿では,グローバル収束保証付きグラフトポロジを効率的に発見する学習ベースアプローチを提案する。 マルチロボット生成および群れ処理におけるグラフの同定におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-10T07:09:12Z)
• Multi-view Graph Convolutional Networks with Differentiable Node Selection [29.575611350389444]
  差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。 MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。 提案手法の有効性は,最先端手法と厳密な比較により検証した。
  論文  参考訳（メタデータ） (2022-12-09T21:48:36Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Multi-Agent Routing Value Iteration Network [88.38796921838203]
  疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。 最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T22:16:45Z)

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。