論文の概要: Local Solution Repair for Multi-Agent Pickup and Delivery

• arxiv url: http://arxiv.org/abs/2611.02090v1
• Date: Sun, 01 Nov 2026 17:58:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:13:03.472712
• Title: Local Solution Repair for Multi-Agent Pickup and Delivery
• Title（参考訳）: マルチエージェントピックアップ・デリバリーのためのローカルソリューション修復
• Abstract要約: 本稿では,実行時および局所的な最適動作を検出する目標計画手法であるLocal Solution repair (LSR) に貢献する。 現状の MAPD ベースライン M2M と LNS-PBS が生成するソリューションを修復し,本手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 10.514777285368057
• License:
• Abstract: Multi-robot systems in automated warehouses must efficiently attend to a constant stream of pickup-and-delivery tasks while avoiding collisions. Existing Multi-Agent Pickup-and-Delivery (MAPD) solutions generate plans that are globally feasible but often locally inefficient. In large-scale, long-horizon deployments, these inefficiencies, such as robots backtracking from target goal locations and idling in congested areas, accumulate over time and degrade performance. This paper contributes Local Solution Repair (LSR), a goal replanning approach that detects suboptimal behaviors at run-time and locally improves plans to reduce conflict between agents. We demonstrate the utility of our approach by repairing solutions generated by state-of-the-art MAPD baselines, M2M and LNS-PBS. Our results in long-horizon warehouse simulations over three environments show upwards of 5.9% improvement in task throughput over current state-of-the-art methods by reducing the number of suboptimal instances by ~36k or by 14.6% with minor additional computation time.
• Abstract（参考訳）: 自動倉庫におけるマルチロボットシステムは、衝突を避けながら、絶え間ないピックアップ・アンド・デリバリ作業に効率よく対応しなければならない。 既存のMAPD(Multi-Agent Pickup-and-Delivery)ソリューションは、グローバルに実現可能であるが、しばしば局所的に非効率なプランを生成する。 大規模で長期にわたる展開では、ロボットが目標目標地点からバックトラックし、密集した地域でアイドリングし、時間とともに蓄積し、性能を低下させるなど、これらの非効率性がある。 本稿では,実行時の最適動作を検知し,エージェント間の衝突を減らすプランを局所的に改善する手法であるLocal Solution repair (LSR)に貢献する。 現状の MAPD ベースライン M2M と LNS-PBS が生成するソリューションを修復し,本手法の有効性を実証する。 3つの環境上での長期倉庫シミュレーションの結果、現在の最先端手法に比べてタスクスループットが5.9%向上し、最適化されたインスタンスの数が約36k、あるいは14.6%削減され、計算時間が短縮された。

関連論文リスト

• Multi-Timescale Latent-Action DRL for Joint Optimization in Edge-Cloud Networks [48.421359451414155]
  エッジクラウドとレイヤ間のロード不均衡は、レイテンシのパフォーマンスを低下させる。 動的タスク到着と異種リソースの下での階層型エッジクラウドコンピューティングシステム。 本稿では,サービス配置を最適化するための行動空間(2MDRL-LA)を用いた2時間深層学習研究を提案する。 平均e2e遅延を20.8%削減し、計画よりも13%改善した。
  論文  参考訳（メタデータ） (2026-06-30T11:56:15Z)
• ARMATA: Auto-Regressive Multi-Agent Task Assignment [6.2002105625228845]
  本稿では、アロケーション決定とルーティングシーケンスを協調的に生成する完全エンドツーエンドの自動回帰フレームワークを提案する。 提案手法のコアコントリビューションは,高レベルアロケーションと低レベルルーティングを単一自己回帰パスで統一するマルチステージデコーディング機構である。
  論文  参考訳（メタデータ） (2026-05-05T19:08:08Z)
• GRAND: Guidance, Rebalancing, and Assignment for Networked Dispatch in Multi-Agent Path Finding [6.416429054645992]
  本稿では,生涯多エージェントピックアップ・アンド・デリバリ(MAPD)のタスクスケジューリングについて述べる。 学習に基づくグローバルガイダンスと軽量な最適化を組み合わせたハイブリッド手法を提案する。 最大500エージェントの集約された倉庫ベンチマークでは、2024年の勝利スケジューラよりもスループットを最大10%向上させる。
  論文  参考訳（メタデータ） (2025-12-02T19:44:57Z)
• Bridging Planning and Execution: Multi-Agent Path Finding Under Real-World Deadlines [9.228609005424348]
  時間に敏感なアプリケーションのための実行インフォームドMAPF計画フレームワークであるREMAPを提案する。 我々のフレームワークは提案したExecTimeNetを統合し、計画されたパスに基づいて実行時間を正確に推定する。 実験の結果、REMAPはベースライン法よりもソリューション品質を最大20%改善することがわかった。
  論文  参考訳（メタデータ） (2025-11-26T20:08:52Z)
• DEPO: Dual-Efficiency Preference Optimization for LLM Agents [75.6723341304463]
  本稿では、簡潔な応答とアクションステップの低減を両立させる二重効率優先最適化手法DEPOを提案する。 WebShopとBabyAIの実験によると、DECOはトークンの使用量を最大60.9%削減し、ステップを最大26.9%削減し、パフォーマンスは最大29.3%向上した。
  論文  参考訳（メタデータ） (2025-11-19T12:38:43Z)
• MAGNNET: Multi-Agent Graph Neural Network-based Efficient Task Allocation for Autonomous Vehicles with Deep Reinforcement Learning [2.5022287664959446]
  本稿では,グラフニューラルネットワーク(GNN)を一元的トレーニングと分散実行(CTDE)パラダイムに統合する新しいフレームワークを提案する。 本手法により,無人航空機 (UAV) と無人地上車両 (UGV) は, 中央調整を必要とせず, 効率よくタスクを割り当てることができる。
  論文  参考訳（メタデータ） (2025-02-04T13:29:56Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in Complex Environments [55.204450019073036]
  本稿では,倉庫環境における移動ロボットのためのタスク割り当てと分散ナビゲーションアルゴリズムを提案する。 本稿では,共同分散タスク割り当てとナビゲーションの問題について考察し,それを解決するための2段階のアプローチを提案する。 ロボットの衝突のない軌道の計算では,タスク完了時間において最大14%の改善と最大40%の改善が観察される。
  論文  参考訳（メタデータ） (2022-09-07T00:35:27Z)
• Location-routing Optimisation for Urban Logistics Using Mobile Parcel Locker Based on Hybrid Q-Learning Algorithm [0.0]
  パーセルロッカー(MPL)は、交通渋滞と運用コストを低減する手段として、都市物流事業者によって導入されている。 本稿では,MPLのロケーションルーティング問題を解くための整数プログラミングモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-29T01:27:12Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)

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。