日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

群制御arXiv:2602.23468

生涯マルチエージェント経路探索における混合ガイダンスグラフの辺方向と重みの最適化

Optimization of Edge Directions and Weights for Mixed Guidance Graphs in Lifelong Multi-Agent Path Finding

シェア:XThreadsFacebookLINEはてブBluesky

生涯マルチエージェント経路探索において、辺の重みだけでなく方向も最適化する混合ガイダンスグラフ最適化手法を提案し、エージェントの移動をより厳密に誘導する。

詳しい要約

1. どんなもの?

- どんなもの? - Lifelong Multi-Agent Path Finding (LMAPF) におけるエージェントの移動をガイドするための Mixed Guidance Graph Optimization (MGGO) を提案。 - 従来の Guidance Graph Optimization (GGO) は辺の重みのみを最適化していたが、MGGO では辺の方向も最適化する。 - 2つの MGGO 手法を提示:1つは辺の方向と重みを2段階で別々に最適化、もう1つは Quality Diversity アルゴリズムを用いてニューラルネットワークを最適化し、辺の方向と重みを生成。 - また、辺の方向に関連する交通パターンを GGO 手法に組み込み、辺の方向を考慮したガイダンスグラフを生成可能にした。

2. 先行研究と比べてどこがすごい?

- 先行研究と比べてどこがすごい? - 従来の GGO では辺の重みのみを最適化し、ソフトなガイダンスしか提供できなかった。 - 高い重みの辺はエージェントの使用を抑制するが、禁止はしない。 - 本研究では辺の方向最適化を GGO に組み込むことで、厳密なガイダンスを提供する MGGO に一般化。 - これにより、エージェントの移動をより強く制御できる可能性がある。

3. 技術・手法の肝は?

- 技術や手法の肝はどこ? - MGGO の2手法: - 第1の手法:辺の方向と重みを2段階で別々に最適化。 - 第2の手法:Quality Diversity アルゴリズムを適用し、辺の方向と重みを生成するニューラルネットワークを最適化。 - さらに、辺の方向に関連する交通パターンを GGO 手法に組み込み、辺の方向を考慮したガイダンスグラフを生成。 - これにより、辺の方向と重みの両方を最適化する枠組みを実現。

4. どうやって有効だと検証した?

- どうやって有効だと検証した? - 要旨からは不明。

5. 議論はある?

- 議論はある? - 要旨からは不明。

6. 次に読むべき論文は?

- 次に読むべき論文は? - 要旨で参照/比較されている研究:Guidance Graph Optimization (GGO) の先行研究。 - 関連手法:Quality Diversity アルゴリズム、Lifelong Multi-Agent Path Finding (LMAPF)。 - 同分野の定番:Multi-Agent Path Finding (MAPF) に関する研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yulun Zhang, Varun Bhatt, Matthew C. Fontaine, Stefanos Nikolaidis, Jiaoyang Li

分類: cs.MA, cs.AI, cs.RO

原文アブストラクト

Multi-Agent Path Finding (MAPF) aims to move agents from their start to goal vertices on a graph. Lifelong MAPF (LMAPF) continuously assigns new goals to agents as they complete current ones. To guide agents' movement in LMAPF, prior works have proposed Guidance Graph Optimization (GGO) methods to optimize a guidance graph, which is a bidirected weighted graph whose directed edges represent moving and waiting actions with edge weights being action costs. Higher edge weights represent higher action costs. However, edge weights only provide soft guidance. An edge with a high weight only discourages agents from using it, instead of prohibiting agents from traversing it. In this paper, we explore the need to incorporate edge directions optimization into GGO, providing strict guidance. We generalize GGO to Mixed Guidance Graph Optimization (MGGO), presenting two MGGO methods capable of optimizing both edge weights and directions. The first optimizes edge directions and edge weights in two phases separately. The second applies Quality Diversity algorithms to optimize a neural network capable of generating edge directions and weights. We also incorporate traffic patterns relevant to edge directions into a GGO method, making it capable of generating edge-direction-aware guidance graphs.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI