論文の概要: Late Autumn: LLM Agents Specialize a General Multi-Robot Planner for One Warehouse
- arxiv url: http://arxiv.org/abs/2611.02391v1
- Date: Mon, 02 Nov 2026 02:04:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:45:14.876628
- Title: Late Autumn: LLM Agents Specialize a General Multi-Robot Planner for One Warehouse
- Title(参考訳): 秋の終わり:LLMエージェントがワンウェアハウスの汎用マルチロボットプランナーを特化
- Abstract要約: 我々は、自律的な研究を行うコーディングエージェントが、あるサイトのための一般的なプランナーを専門化できるかどうかを調査する。
エージェントはスループットを22-60%向上させ、その利得は見当たらない種子を抑える。
各パッチは27行の中央値のコミットの連鎖であり、専門家はそれをレビューでき、スコアが見逃す問題を見つけることができる。
- 参考スコア(独自算出の注目度): 13.868871870430608
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: No algorithm is best on all problems, but a real warehouse is a narrow problem: its layout and processes rarely change. Operators still run one general multi-robot planner at many sites, because experts cannot tune it for each one. In this work, which we call Late Autumn, we explore whether LLM coding agents running autonomous research can specialize a general planner for one site, trading generality for throughput, much as post-training adapts a pretrained LLM to one task. We study six campaigns on a lifelong planner that combines task assignment with multi-agent path finding, on a floor modeled on an existing automated warehouse. We find that (1) the agents raise throughput by 22--60%, and the gains hold on unseen seeds; (2) they rediscover known MAPF mechanisms, such as corridor-exit priorities, local guidance, and rollouts, and independent campaigns find the same bottleneck; (3) the gains largely carry over to another layout, a larger fleet, and other service times, shrink with a smaller fleet, and mostly vanish under an outbound-heavy demand mix; and (4) each final patch (0.7k--2.4k lines) is a chain of scored commits with a median step of 27 lines, so experts can review it, and review finds problems that the score misses; some patches multiply planner compute by over 100x. LLM agents can therefore turn each site's bias into extra throughput at little engineering cost, with reviewable patches; we expect experts to shift toward designing insightful metrics and fast simulators that mirror the real problem.
- Abstract(参考訳): アルゴリズムが最善を尽くすことはないが、実際の倉庫は狭い問題である。
オペレーターは、多くのサイトで1つの一般的なマルチロボットプランナーを実行している。
本研究では,自律的な研究を行うLLMコーディングエージェントが,あるサイトに対して汎用的なプランナーを専門化できるかどうかを考察し,事前学習したLLMをひとつのタスクに適応させる場合と同様に,スループットの一般性を交換する。
本研究では,既存の自動倉庫をモデルとしたフロア上で,タスク割り当てとマルチエージェントパス探索を組み合わせた生涯プランナー上での6つのキャンペーンについて検討する。
その結果,(1) エージェントはスループットを22~60%向上させ,(2) 既知のMAPF機構を再発見し,(2) 経路外優先順位,地域指導,ロールアウト,独立キャンペーンといったMAPF機構を再発見し,(3) ゲインが他のレイアウト,より大きな艦隊,その他のサービス時間に大きく引き継がれ,小規模の艦隊で縮小し,主にアウトバウンド・ヘビー・ミックスで消滅し,(4) 最終パッチ(0.7k-2.4kライン) は27行の中央値ステップで達成されたコミットの連鎖であることがわかった。
LLMエージェントは、各サイトのバイアスをエンジニアリングコストの少ない余分なスループットに、レビュー可能なパッチで変換することができます。
関連論文リスト
- Beyond Resolution Rates: Behavioral Drivers of Coding Agent Success and Failure [0.0]
コーディングエージェントは、大規模言語モデルの推論能力とツール強化された対話ループを組み合わせた、自動化されたソフトウェアエンジニアリングにおける新しいパラダイムを表している。
トップランクのLLMベースのコーディングエージェントは、ベンチマークされた問題の20%以上で依然として失敗している。
本研究は,500件のタスクにおいて,19件のエージェントから9,374件のトラジェクトリを分析した大規模な実証研究である。
論文 参考訳(メタデータ) (2026-04-02T21:56:23Z) - TPS-Bench: Evaluating AI Agents' Tool Planning \& Scheduling Abilities in Compounding Tasks [23.96822236741708]
大規模言語モデル(LLM)エージェントは、研究やコーディングといった分野にまたがる強力な問題解決能力を示している。
本稿では, TPS-Bench を用いて, ツールプランニングとスケジューリングを要求される問題に対する LLM エージェントの能力のベンチマークを行う。
論文 参考訳(メタデータ) (2025-11-03T12:45:39Z) - Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。
我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。
MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
論文 参考訳(メタデータ) (2025-03-17T19:04:38Z) - MASTER: A Multi-Agent System with LLM Specialized MCTS [11.780059513577848]
大規模言語モデル(LLM)は、問題解決のためにますます研究されている。
MCTSは、真の報酬分布を近似するために、広範囲なサンプリングシミュレーションに依存している。
LLM専門MCTSによるエージェント採用とコミュニケーションを協調する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2025-01-24T08:01:11Z) - MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。
MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
論文 参考訳(メタデータ) (2024-12-02T19:30:36Z) - WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
大型言語モデル(LLM)は人間のような知性を模倣することができる。
WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
論文 参考訳(メタデータ) (2024-07-07T07:15:49Z) - Multi-Robot Coordination and Layout Design for Automated Warehousing [55.150593161240444]
我々は、最先端のMAPFアルゴリズムであっても、人間設計のレイアウトは、多数のロボットを持つ倉庫の混雑を招きかねないことを示す。
倉庫のレイアウトを最適化するために,既存のシナリオ自動生成手法を拡張した。
その結果,(1)交通渋滞の低減とスループットの向上,(2)ロボットの数を2倍にすることで自動倉庫のスケーラビリティの向上,(3)ユーザが特定した多様性対策でレイアウトを生成できることが示唆された。
論文 参考訳(メタデータ) (2023-05-10T20:00:06Z) - Scalable Multi-Agent Reinforcement Learning for Warehouse Logistics with Robotic and Human Co-Workers [41.293077032127904]
我々は、多数の移動ロボットと人間のピッカーが協力して倉庫内でアイテムを収集、配達する倉庫について検討する。
私たちが取り組んだ根本的な問題は、これらの作業員がこの作業においてパフォーマンスを最大化するために、倉庫内での動きと動作をどのように調整する必要があるかである。
我々は,マネージャエージェントが労働者エージェントに目標を割り当てる階層的MARLアルゴリズムを開発し,グローバルな目標の最大化に向けて,マネージャと労働者の方針を協調的に訓練する。
論文 参考訳(メタデータ) (2022-12-22T06:18:41Z) - Subdimensional Expansion Using Attention-Based Learning For Multi-Agent
Path Finding [9.2127262112464]
MAPF(Multi-Agent Path Finding)は、各開始点から目標地点までの複数のエージェントに対する競合のないパスを見つける。
我々は、この学習に基づくシングルエージェントプランナーをM*に統合することにより、LM*と呼ばれる新しいマルチエージェントプランナーを開発する。
以上の結果から,M* と比較した場合,LM* はコンフリクトが少なく,高速に動作し,高い成功率を享受できることがわかった。
論文 参考訳(メタデータ) (2021-09-29T20:01:04Z) - MS*: A New Exact Algorithm for Multi-agent Simultaneous Multi-goal
Sequencing and Path Finding [10.354181009277623]
監視やロジスティクスといったマルチエージェントアプリケーションでは、多数のモバイルエージェントが協調し、多数の目標地点を安全に訪問することがしばしば期待されている。
本稿では、このマルチエージェント問題に対する最適解を計算するMS*と呼ばれる新しいアルゴリズムを紹介します。
計算結果から,提案アルゴリズムは標準ラップトップ上でのCPU時間1分で20エージェント,50ゴールのマルチエージェント問題を解くことができることがわかった。
論文 参考訳(メタデータ) (2021-03-18T01:57:35Z)
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。