論文の概要: A Transformer-based Approach for Real-time Multi-agent Path Planning with Varying Initial/Final Conditions

• arxiv url: http://arxiv.org/abs/2610.30388v1
• Date: Wed, 21 Oct 2026 19:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.1228
• Title: A Transformer-based Approach for Real-time Multi-agent Path Planning with Varying Initial/Final Conditions
• Title（参考訳）: 変圧器を用いた初期/周辺条件を考慮したリアルタイムマルチエージェント経路計画法
• Abstract要約: 本稿では,初期および最終軌道におけるリアルタイムマルチエージェント計画の問題に対処する。 本稿では,逆座標変換をシンプルかつ解析的に抽出可能な空間にマッピングするトランスフォーマーベースニューラルネットワークを提案する。 境界条件の分布をトレーニングすると、償却されたOCFormerは、ほぼ最適な初期設定と最終構成を1つの前方パスで生成する。
• 参考スコア（独自算出の注目度）: 1.6804758225414576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of real-time multi-agent path planning under prescribed initial and final configurations, formulated as a high-dimensional optimal control problem subject to inter-agent collision avoidance and obstacle constraints. Classical solvers based on the Hamilton--Jacobi--Bellman equation or Pontryagin's maximum principle (PMP) become computationally intractable as the number of agents grows, due to the curse of dimensionality and the non-convexity introduced by interaction constraints. We propose OCFormer, a transformer-based neural network that parameterizes the inverse of a coordinate transformation mapping a simple, analytically tractable latent space, in which agents evolve independently under a decoupled Hamiltonian, to the physical space of the coupled, interacting system. The model is trained by minimizing a physics-informed loss comprising the Hamiltonian ODE residual from the PMP and a boundary matching term, without requiring pre-computed trajectory data. The self-attention mechanism endows OCFormer with permutation equivariance over agents, a structural symmetry that prior symplectic network approaches do not natively enforce. When trained on a distribution of boundary conditions, the amortized OCFormer produces near-optimal trajectories for unseen initial and final configurations in a single forward pass ($\sim$220ms), enabling real-time inference without retraining. We further introduce a lightweight transfer learning framework that adapts a pretrained OCFormer to out-of-distribution perturbations in seconds via L-BFGS fine-tuning. Numerical experiments on two- and three-dimensional multi-agent navigation with up to 128 agents demonstrate the scalability and efficiency of the proposed approach.
• Abstract（参考訳）: 本稿では, 衝突回避と障害物制約を考慮した高次元最適制御問題として定式化された, 所定の初期および最終構成下でのリアルタイムマルチエージェント経路計画の問題に対処する。 ハミルトン-ヤコビ-ベルマン方程式やポントリャーギンの最大原理(PMP)に基づく古典的な解法は、相互作用制約によって生じる次元の呪いと非凸性により、エージェントの数が増加するにつれて計算的に難解になる。 エージェントが分離されたハミルトン空間の下で独立に進化する単純な解析可能な潜在空間を結合された相互作用系の物理空間にマッピングする座標変換の逆をパラメータ化するトランスフォーマーベースのニューラルネットワークであるOCFormerを提案する。 このモデルは、予め計算された軌道データを必要とすることなく、PMPから残留するハミルトニアンODEと境界マッチング項からなる物理インフォームド損失を最小化することによって訓練される。 自己アテンション機構は、以前のシンプレクティックネットワークアプローチがネイティブに強制しない構造対称性であるエージェント上の置換同値を持つOCFormerを許容する。 境界条件の分布をトレーニングすると、償却されたOCFormerは1回のフォワードパス($220ms)で初期設定と最終設定のほぼ最適軌道を生成し、再トレーニングなしでリアルタイムの推論を可能にする。 さらに,L-BFGSファインチューニングにより,事前学習したOCFormerを数秒で分布外摂動に適応する軽量なトランスファー学習フレームワークを導入する。 最大128個のエージェントを用いた2次元および3次元マルチエージェントナビゲーションの数値実験により,提案手法のスケーラビリティと効率性を実証した。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• The Free Inference Dimension: Complexity Measure for Zero-Collision Navigation under Hypothesis Mixtures [0.0]
  値混合(VM)エージェントは、真の環境を特定することなく、最適に近いゼロコリジョンナビゲーションを実現する。 我々は、VMエージェントが扱える環境複雑さの尺度であるFree Inference dimension dFI(S,N)を介して、この振る舞いを定式化する。 PAC型緩和はdFI(epsilon,delta)によって駆動される境界をもたらす
  論文  参考訳（メタデータ） (2026-09-15T20:32:28Z)
• Optimality-Informed Neural Networks for Lunar Landing Trajectory Optimization [0.40611352512781873]
  本稿では,月面着陸機のエネルギー-有限時間降下に対するOINN(Optimality-Informed Neural Network)アプローチを提案する。 ポントリャーギンの最小原理と一般的な非線形最適制御のためのハミルトン・ヤコブマン方程式を組み込む枠組みの上に構築され、提案されたOINNアプローチは、このアイデアを専門とする。
  論文  参考訳（メタデータ） (2026-07-02T20:23:45Z)
• Geometry-Anchored Transport Framework for Exemplar-Free Class-Incremental Learning [6.63181149575886]
  巨視的異方性ドリフトを緩和するGeometry-Anchored Transport Frameworkを提案する。 また、局所化多様体の分解を正規化するトポロジー・アウェア進化の目的も導入する。 CIFAR-100、TinyImageNet、ImageNet-100にわたる実験では、提案されたフレームワークが既存のポストホック代替品を一貫して改善していることが示されている。
  論文  参考訳（メタデータ） (2026-06-24T03:27:20Z)
• Dual-Network PINNs for Optimal Control: A Reproducible Benchmark on the Mass-Spring-Damper System [0.0]
  本研究では, 直接二重ネットワーク型物理インフォームドニューラルネットワーク(PINN)を用いて, 質量ばねダンパーシステムの最適制御に関するベンチマーク研究を行う。 PINNは古典的な最適コストを4桁に再現し、端末状態の制約を正確に構築し、ポイントワイズ状態と制御エラーを生成する。
  論文  参考訳（メタデータ） (2026-06-13T12:10:17Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
  本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。 制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
  論文  参考訳（メタデータ） (2024-02-16T16:35:18Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)

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。