論文の概要: Embedded Evaluation of Task Admission Coalescing in Decentralized Multi-Robot Systems
- arxiv url: http://arxiv.org/abs/2610.09187v1
- Date: Tue, 06 Oct 2026 22:37:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.636549
- Title: Embedded Evaluation of Task Admission Coalescing in Decentralized Multi-Robot Systems
- Title（参考訳）: 分散型マルチロボットシステムにおけるタスクアドミッション協調の組込み評価
- Abstract要約: 動的ミッションにおけるマルチロボットタスクアロケータは、一般的に、新しくリリースされたタスクを直ちに認める。
本稿では,アロケータプロセッサ作業の制御機構としてタスク・アドミッションの合体性を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-robot task allocators in dynamic missions commonly admit newly released tasks immediately, potentially invoking allocation for each new arrival. We evaluate task-admission coalescing as a mechanism for controlling allocator processor work while accounting for target-service latency, using CBAA, ACBBA, PI, and HIPC as a representative MRTA suite. The study comprises a 3,000-mission AGX Orin campaign with measured computation delay, 3,000 paired zero-compute missions, and a 96-mission Pololu 3pi+ RP2040 allocator hardware-in-the-loop campaign. Immediate (Eager) admission is compared with thresholds of two, four, and eight tasks and a four-task policy with a 10-s waiting bound across three arrival rates. Across the AGX experiments, coalescing reduces both allocator calls and processor work in 31 of 48 evaluated conditions, although the magnitude of the saving varies by allocator. The principal cost appears under sparse arrivals, where four-task batching increases online-target mean latency by 20.08-23.57 s, predominantly through admission waiting. Bounded admission reduces mean work in ten of twelve allocator-load conditions, including a 19.35% reduction with a 1.40-s mean latency increase for high-arrival HIPC. RP2040 experiments show that this tradeoff can become more favorable as processor constraints tighten. Across four matched medium-arrival HIPC scenarios, Count b=4 reduces mean RP2040 work by 59.85% and service latency by 39.47%, while the corresponding AGX cases increase latency by 27.69%. These results show that the usefulness of task-admission coalescing depends on arrival intensity, allocator-specific behavior, and the relative cost of computation on the execution platform.
- Abstract（参考訳）: 動的ミッションにおけるマルチロボットタスクアロケータは、通常、新しくリリースされたタスクを即座に受け入れ、新しい到着毎にアロケーションを起動する可能性がある。
CBAA, ACBBA, PI, HIPCを代表MRTAスイートとして使用し, アロケータプロセッサ作業の制御機構としてタスク・アドミッションの合理化を評価した。
この研究は、計算遅延を測定した3000ミッションのAGX Orinキャンペーン、3000ペアのゼロコンピュートミッション、96ミッションのPololu 3pi+ RP2040アロケータ・ハードウェア・イン・ザ・ループ・キャンペーンを含む。
即時(イーガー)の入院は、2、4、8タスクのしきい値と、10秒の待ち時間が3回の到着速度に制限された4タスクポリシーと比較される。
AGX実験全体を通して、コレシングはアロケータの呼び出しとプロセッサ作業の両方を、アロケータの規模は異なるものの、48の条件のうち31の条件で削減する。
4タスクのバッチ処理は、入場待ち時間によって、平均遅延時間を20.08-23.57秒増加させる。
境界付き入場は、19.35%の削減と1.40秒の平均遅延増加を含む12のアロケータ負荷条件のうち10の作業量を減らす。
RP2040の実験は、プロセッサの制約が厳しくなるにつれて、このトレードオフがより有利になることを示している。
4つの一致した中規模のHIPCシナリオで、b=4は平均RP2040作業量を59.85%削減し、サービス遅延を39.47%削減し、対応するAGXケースは27.69%の遅延を増大させた。
これらの結果から,タスク・アドミッション結合の有用性は,実行プラットフォーム上での到着強度,アロケータ固有の挙動,相対的な計算コストに依存することが明らかとなった。
関連論文リスト
- VLA-ULAP: Interleaving Cloud VLA Calls with Ultra-Lightweight Local Action Prediction at the Edge [3.2371022723948664]
遠隔VLAコールをUltra-Lightweight Local Action PredictorでインターリーブするVLA-ULAPを提案する。
凍結した視覚エンコーダを含む約7.4Mのパラメータで、ULAPは現在のビュー、プロプレセプション、実行されたアクション履歴を組み合わせて、1回のパスでチャンクを予測する。
論文 参考訳（メタデータ） (2026-09-16T13:42:10Z) - Decentralized Multi-Robot Task Allocation Under Degraded Communication: A Benchmark of Performance, Reliability, and Computation [0.0]
自律型プラットフォームへの組み込みのための分散マルチロボットタスクアロケーション(MRTA)法では,経路性能のみを考慮する必要がある。
我々は、MinMaxとMinSumの旅行、通信の堅牢性と需要、アロケーション信頼性、計算負荷、スケール感度のトレードオフを特徴付けるために、6つの分散MRTAアロケータ(CBAA, ACBBA, PI, HIPC, DMCHBA, DGA)を協調訪問シナリオでベンチマークした。
論文 参考訳（メタデータ） (2026-09-12T04:47:44Z) - RobustSGPO: Search-Space Control for Agent Harness Evolution [56.722805974785125]
我々は、要求された編集、構成、パッチのチェックを指定し、既存のスナップショットまたは保持スナップショットからの検索を継続するRobustSGPOを紹介した。
我々は,120タスク,95ラン,7350の候補を用いて,AgentXブレインストーミングワークフローにおけるパーミッションスケジューリング,累積制御,タスクファミリー転送を評価した。
論文 参考訳（メタデータ） (2026-09-09T03:00:03Z) - Bundle Length Tradeoffs in Decentralized Multi-Robot Task Allocation Under Degraded Communications [0.0]
MinSumとMinMaxは異なるタスク分布を好むことが知られているが、この目的トレードオフにおけるBの役割は体系的に特徴づけられていない。
理想的なコミュニケーションでは、Bが1から12に増加すると、ACBBA、PI、HIPCではMinSumのコストが19.0%、23.0%、31.8%削減される。
また, 損失条件のMinSumと比べ, MinMaxのコストを30.0%, 41.8%向上させるとともに, MinSumのペナルティを14.4%, 7.2%に抑えておくことを実証した。
論文 参考訳（メタデータ） (2026-09-05T21:53:29Z) - Recursive Synthesis for Long-Horizon Terminal Tasks [50.39352383646813]
Recursive Synthetic Terminal Tasks (RST) は、大規模に長期の端末エージェントタスクを構築するためのフレームワークである。
RSTは37,484個の合成端末エージェントタスクを1タスクあたり0.05ドルで生成する。
軌道の微調整により、Qwen3.5-27BとQwen3.5-122B-A10Bはターミナルベンチ2、ターミナルベンチハード、ロングホライゾンターミナルベンチで最大10ポイント改善される。
論文 参考訳（メタデータ） (2026-08-05T23:24:26Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - A Delta-Aware Orchestration Framework for Scalable Multi-Agent Edge Computing [0.0]
Synergistic Collapseは、100以上のエージェントをスケーリングすることで、個々の最適化が防止できない超線形パフォーマンスの低下を引き起こす。
これまでの研究は、指数的行動空間成長、空間的隣接エージェント間の計算冗長性、タスクに依存しないハードウェアスケジューリングなど、それぞれの要因に対処してきた。
1) 中間層活性化を記憶し入力デルタのみを演算する微分ニューラルキャッシング、(2) エージェントを優先度階層に整理し、調整の複雑さを O(n2) から O(n log n) へ6%未満の最適で減少させる臨界ベースのアクションスペースプラニング、の3つに同時に対処するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-22T02:54:35Z) - GLANCE: Gaze-Led Attention Network for Compressed Edge-inference [10.229095428511654]
AR/VRシステムにおけるリアルタイムオブジェクト検出は、厳格な電力予算内で10ms未満のレイテンシを必要とする、計算上の重要な制約に直面している。
生体の葉の視覚にインスパイアされた2段階のパイプラインを提案する。このパイプラインは、異なる重みのないニューラルネットワークを組み合わせ、超効率的な視線推定と、注意誘導された関心の領域検出を行う。
論文 参考訳（メタデータ） (2026-03-16T15:52:52Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z)
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。