論文の概要: Task Structure and Scalability in Multi-Robot Authoring

• arxiv url: http://arxiv.org/abs/2610.22670v1
• Date: Thu, 15 Oct 2026 21:37:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.679279
• Title: Task Structure and Scalability in Multi-Robot Authoring
• Title（参考訳）: マルチロボットオーサリングにおけるタスク構造とスケーラビリティ
• Abstract要約: マルチロボットオーサリングは、描画作業の分散による完了時間を短縮することができるが、結果として得られるスピードアップはタスク構造とアロケーションルーティングパイプラインに依存する。 図面を幾何学的ストロークグラフとして表現し、コンポーネントレベル(単一トークン)と共有トークン(分解)の割り当てを比較することにより、これらの関係を考察する。
• 参考スコア（独自算出の注目度）: 2.255961793913651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot authoring can reduce completion time by distributing drawing work, but the resulting speedup depends on task structure and the allocation-routing pipeline. We investigate these relationships by representing drawings as geometric stroke graphs and comparing component-level (single-token) allocation with shared-token (decomposed) allocation, which permits multiple robots to work within a connected component. A simulation study of 385 drawings and teams of one to eight robots shows diminishing speedup gains under single-token allocation and larger mean speedups under the shared-token pipeline, each normalized by its own single-robot completion time. Shared-token execution also exhibits lower idle-time shares at larger team sizes, although it does not reduce completion time for every drawing. Comparisons across structural attribute groups reveal associations between structural descriptors and differences in scaling behavior, with greater separation between several attribute groups at larger team sizes. These findings characterize empirical scaling in the evaluated pipelines and highlight the importance of considering within-component workload and graph structure alongside component count. Additional materials are available at https://sites.google.com/view/multirobotauthoring/home.
• Abstract（参考訳）: マルチロボットオーサリングは、描画作業の分散による完了時間を短縮することができるが、結果として得られるスピードアップはタスク構造とアロケーションルーティングパイプラインに依存する。 本研究では,図面を幾何学的ストロークグラフとして表現し,コンポーネントレベル(単一トークン)割り当てと共有トークン割り当てを比較することにより,複数のロボットが接続されたコンポーネント内で動作できるようにする。 385個のドローイングと1から8個のロボットのシミュレーション研究により、シングルトーケンの割り当てによるスピードアップの減少と、共有トーケンのパイプラインにおける平均スピードアップの増大が、それぞれ独自のシングルロボット完了時間で正規化されていることが示された。 共有トークンの実行は、より大きなチームサイズでアイドルタイムのシェアを低くするが、描画毎に完了時間を短縮しない。 構造的属性群間の比較では、構造的記述子とスケーリング行動の違いが関連し、より大きなチームサイズで複数の属性群を分離する。 これらの知見は、評価パイプラインにおける経験的スケーリングを特徴とし、コンポーネント数とともに、内部コンポーネントのワークロードとグラフ構造を考慮することの重要性を強調している。 追加資料はhttps://sites.google.com/view/multirobotauthoring/home.comで入手できる。

関連論文リスト

• TaPeR: Probabilistic Recovery of Sparse Task Precedence Graphs from a Handful of Demonstrations [16.604293152314995]
  ロングホライゾン操作タスクは、部分的にのみ順序付けされることが多い。 既存のアプローチは典型的には、時間的および象徴的な監督の両方を用いて人間のデモンストレーションからタスク構造を推測する。 本稿では,単純なキネマティックグラフと相対的なオブジェクトポーズ上の分布のみを用いて,実演からタスク依存構造を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2026-08-21T12:31:50Z)
• OrchBench: Evaluating Multi-Agent Orchestration Plans in Isolation via Deterministic Simulation [41.885817564161975]
  シミュレーションに基づくマルチエージェントオーケストレーション計画評価ベンチマークであるOrchBenchについて述べる。 決定論的シミュレータは、労働者エージェントを呼び出すことなく、結果の計画を評価し、結果の質、メースパン、トークンコストの解釈可能な尺度を返す。 多様なプランナーやワークフローの規模で見ると、単にエージェントの数を増やすよりも、タスククリティカルな情報を保存することが重要であることが分かります。
  論文  参考訳（メタデータ） (2026-07-28T12:43:34Z)
• OmniSAT: Compact Action Token, Faster Auto Regression [70.70037017501357]
  我々は、コンパクトで転送可能なアクション表現を学ぶOmni Swift Action Tokenizerを紹介する。 その結果、離散トークン化はトレーニングシーケンスを6.8$times$に短縮し、ターゲットエントロピーを低下させる。
  論文  参考訳（メタデータ） (2025-10-08T03:55:24Z)
• Full-History Graphs with Edge-Type Decoupled Networks for Temporal Reasoning [16.53173953073833]
  我々は、各時間ステップ毎に各エンティティの1つのノードをインスタンス化するフルヒストリーグラフを導入する。 運転注意予測(Waymo)とBitcoin不正検出(Elliptic++)で評価する。 これらの利得は、1つのグラフにおいて異なるエッジとして構造的および時間的関係を表す利点を示す。
  論文  参考訳（メタデータ） (2025-08-05T09:29:07Z)
• You can have your ensemble and run it too -- Deep Ensembles Spread Over Time [44.11683942514532]
  独立に訓練されたディープニューラルネットワークのアンサンブルは、ベイズ的ネットワークが性能において競合する不確実性を推定する。 深層アンサンブルは計算予算が限られている環境では一般的には使われない。 我々はDESOT(Deep Ensembles Spread Over Time)を提案する。
  論文  参考訳（メタデータ） (2023-09-20T14:09:38Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• LSTC: Boosting Atomic Action Detection with Long-Short-Term Context [60.60267767456306]
  我々は行動認識パイプラインを短期的・長期的依存に分解する。 本設計では, 局所集約分枝を用いて, 密集した情報的短期的手がかりを収集する。 両方のブランチは、コンテキスト固有のアクションを独立して予測し、結果が最後にマージされる。
  論文  参考訳（メタデータ） (2021-10-19T10:09:09Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
  本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。 より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
  論文  参考訳（メタデータ） (2021-03-05T10:46:16Z)

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。