論文の概要: CARVS: A Congestion-Aware Algorithm for Online Multi-Agent Pickup-and-Delivery in Human-Collaborative Warehouses
- arxiv url: http://arxiv.org/abs/2610.24549v1
- Date: Sat, 17 Oct 2026 08:17:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 17:44:18.467912
- Title: CARVS: A Congestion-Aware Algorithm for Online Multi-Agent Pickup-and-Delivery in Human-Collaborative Warehouses
- Title（参考訳）: CARVS: 協調倉庫におけるオンラインマルチエージェントピック・アンド・デリバリのための混雑認識アルゴリズム
- Abstract要約: 本稿では,MAPDwHC(Multi-Agent Pickup-and-Delivery with Human Collaboration)問題を提案する。
これは、人間の予測不可能性を含むマルチエージェントピックアップ・アンド・デリバリ問題の拡張である。
タスク割り当てと経路計画を改善するCARVSアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 4.6323935715608435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent warehouse systems have transformed logistics by integrating robots with minimal infrastructure changes, boosting efficiency and optimizing workflows compared to traditional human-only operations. However, human-robot collaboration introduces new challenges, particularly due to human uncertainty, which leads to dynamic interactions and unpredictable behavior. To address these complexities, this paper presents the Multi-Agent Pickup-and-Delivery with Human Collaboration (MAPDwHC) problem, an extension of the Multi-Agent Pickup-and-Delivery (MAPD) problem that incorporates human unpredictability. This problem adds key constraints, such as dynamic obstacles caused by robots temporarily blocking paths when interacting with humans, and the need for real-time responsiveness. We formalize the MAPDwHC problem with additional constraints and properties. Based on this problem setting, we propose the CARVS algorithm, which improves task assignment and path planning by integrating task swapping, validation checks, and random initialization. CARVS reduces congestion, enhances adaptability to human-robot interactions, and ensures real-time responsiveness. Simulation results show that CARVS significantly reduces timeouts of path planning in large-scale scenarios where traditional MAPD algorithms fail, improving both efficiency and scalability.
- Abstract（参考訳）: インテリジェントな倉庫システムは、ロボットを最小限のインフラ変更に統合し、効率を向上し、従来の人間のみの操作と比較してワークフローを最適化することで、ロジスティクスを変革してきた。
しかし、人間とロボットのコラボレーションは、特に人間の不確実性によって、動的相互作用と予測不可能な振る舞いをもたらす新しい課題をもたらす。
これらの複雑さに対処するため,本論文では,人間の非予測性を組み込んだマルチエージェント・ピックアップ・アンド・デリバリ(MAPD)問題の拡張であるMAPDwHC(Multi-Agent Pickup-and-Delivery with Human Collaboration)問題を提案する。
この問題には、人間と対話する際に一時的に経路を遮断するロボットによる動的障害や、リアルタイム応答性の必要性など、重要な制約が加えられている。
我々は、MAPDwHC問題を追加の制約と特性で定式化する。
本稿では,タスクスワッピング,検証チェック,ランダム初期化を統合したCARVSアルゴリズムを提案する。
CARVSは混雑を減らし、人間とロボットの相互作用への適応性を高め、リアルタイムの応答性を確保する。
シミュレーションの結果,従来のMAPDアルゴリズムが失敗する大規模シナリオにおいて,CARVSは経路計画のタイムアウトを大幅に削減し,効率と拡張性の両方を改善した。
関連論文リスト
- Humans are Missing from AI Coding Agent Research [116.47136146149226]
我々は、自律的なプログラミングエージェントから人間中心のコーディングエージェントへの方向転換を主張する。
課題解決ループを特徴付ける4つの中核的相互作用レベルを同定する。
論文 参考訳（メタデータ） (2026-07-04T01:24:03Z) - Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。
タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。
我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-22T22:58:47Z) - Self-adaptive Multi-Access Edge Architectures: A Robotics Case [0.0]
本稿では,人間とロボットの混在環境における効率的な計算システムに対する自己適応手法を提案する。
このタスクは、知覚データを利用して人間の移動行動を予測し、移動ロボットの積極的な経路計画を強化し、人間の安全を確保するニューラルネットワークアルゴリズムと関連付けられている。
その結果、従来のセットアップよりもサービス品質が顕著に向上し、AI駆動システムに対する提案されたアプローチの有効性が示された。
論文 参考訳（メタデータ） (2026-04-15T06:45:54Z) - UMBRELLA: Uncertainty-aware Multi-robot Reactive Coordination under Dynamic Temporal Logic Tasks [5.794342083222513]
本稿では,動的および移動目標を含む協調作業のためのマルチロボットシステムのコーディネート問題に対処する。
コンフォーマル予測(CP)による目標運動予測の不確かさを明示的にモデル化する。
提案するフレームワーク (UMBRELLA) は,MCTS (Monte Carlo Tree Search) を部分計画と不確実性を考慮したロールアウトに組み合わせたものだ。
論文 参考訳（メタデータ） (2026-03-26T12:40:04Z) - ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。
本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
論文 参考訳（メタデータ） (2026-03-07T08:06:51Z) - Neural ATTF: A Scalable Solution to Lifelong Multi-Agent Path Planning [0.5701273481078372]
本稿では,優先度誘導タスクマッチング(PGTM)モジュールとデータ駆動経路計画法であるNeural STA*(Space-Time A*)を組み合わせた新しいアルゴリズムを提案する。
TPTS, CENTRAL, RMCA, LNS-PBS, LNS-wPBS などの最先端の MAPD アルゴリズムに対するテストは, Neural ATTF の優れたスケーラビリティ, ソリューション品質, 計算効率を示す。
論文 参考訳（メタデータ） (2025-04-21T14:25:32Z) - Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。
本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。
このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-04-08T15:21:01Z) - Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - Multi-Agent Path Finding with Real Robot Dynamics and Interdependent Tasks for Automated Warehouses [1.2810395420131764]
MAPF(Multi-Agent Path Finding)は、自動倉庫や工場にロボットを配置する際の重要な最適化問題である。
ロボットの群れが各注文の商品を棚からワークステーションに届ける倉庫において、オンラインでの注文配達の現実的な問題を考える。
これにより、相互依存型ピックアップおよびデリバリタスクのストリームが生成され、関連するMAPF問題は、現実的な衝突のないロボット軌道の計算によって構成される。
論文 参考訳（メタデータ） (2024-08-26T15:13:38Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z)
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。