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:2607.15182

スティグマージックグラフメモリ:多対多マルチエージェント集配のための環境認識アプローチ

Stigmergic Graph Memory: An Environment-Aware Approach for Many-to-Many Multi-Agent Pickup and Delivery

シェア:XThreadsFacebookLINEはてブBluesky

倉庫内の多対多マルチエージェント集配問題において、過去の実行信号を記録する減衰メモリ層を導入し、経路計画前に適切なエージェント・出発地・目的地を選択することで、スループットを20.5〜36.7%向上させた。

詳しい要約

1. どんなもの?

本論文は、多対多のMulti-Agent Pickup and Delivery (MAPD)問題、特に倉庫内の自動化フルフィルメントにおいて、各リクエストが固定された出発地・目的地を持たず、在庫保持ユニット(stock-keeping unit)として指定される状況を扱う。この問題では、コントローラが経路計画の前にエージェント、供給元、配送先を選択する必要がある。提案手法であるStigmergic Graph Memory (SGM)は、倉庫のノードと有向エッジ上に、最近の実行シグナルを記録する有界で減衰するメモリ層を導入し、実行可能なエンドポイントと経路の好みをランク付けする。これにより、衝突制約やプランナーの有効性を変更することなく、どの実行可能なゴールがプランナーに入力されるかを形成し、スループットを向上させる。

2. 先行研究と比べてどこがすごい?

既存のグラフ誘導手法は、ゴールが固定された後の経路計画に影響を与えることに主眼を置いており、エンドポイントのインスタンス化(どのエージェントがどの供給元からどの配送先へ向かうか)が最近の交通状況によって決定されることを考慮していない。SGMは、最近の実行メモリを利用してエンドポイントの選択自体を誘導する点で新規性がある。これにより、ゴールが固定された後の経路だけでなく、どのゴールがプランナーに入力されるかを形成することで、倉庫のスループットを向上させる。

3. 技術・手法の肝は?

SGMは、倉庫のノードと有向エッジに紐づく有界で減衰するメモリ層を導入する。このメモリは、エージェントの実行シグナル(例えば、ノードの通過やエッジの利用)を記録し、時間とともに減衰する。メモリの値に基づいて、実行可能なエンドポイント(供給元と配送先のペア)と経路の好みをランク付けする。このランキングは、割り当てと経路計画の前に使用され、混雑を避けるようにエンドポイントを選択する。SGMは衝突回避制約やプランナーの有効性を変更しないため、既存のプランナーと統合可能である。

4. どうやって有効だと検証した?

5つのレイアウト、3つの負荷レベル、各条件25シードのペアリクエストストリームを用いて評価した。SGMは、再構築した2つの多対多割り当てベースラインを、全15のマップ負荷条件で上回り、ペアスループットの向上は20.5%から36.7%の範囲であった。

5. 議論はある?

要旨からは、SGMのメモリの減衰率やサイズなどのハイパーパラメータの感度、他のMAPDアルゴリズムとの比較、実世界の倉庫環境での有効性、スケーラビリティに関する議論は不明である。また、SGMがエンドポイント選択に与える影響が、経路計画の品質にどのように関連するかについての理論的分析も要旨には含まれていない。

6. 次に読むべき論文は?

要旨で参照されている研究は、既存のグラフ誘導手法(具体的な名称は不明)と、再構築された2つの多対多割り当てベースラインである。次に読むべき論文としては、MAPDの基本問題を扱った論文(例:Multi-Agent Pickup and Deliveryの定式化や解法)、およびグラフベースの誘導手法(例:Traffic Flow OptimizationやCongestion Avoidance)に関する研究が挙げられる。

※ 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: Aditya Dutta, Joon-Seok Kim

分類: cs.MA, cs.RO

原文アブストラクト

Automated fulfillment warehouses must continuously assign and execute pickup-and-delivery work while avoiding congestion. In many-to-many Multi-Agent Pickup and Delivery (MAPD), a request specifies a stock-keeping unit rather than fixed endpoints, requiring the controller to select an agent, source, and destination before path planning. Existing graph-guidance methods primarily influence routing after goals are fixed, leaving endpoint instantiation uninformed by recent traffic. We introduce Stigmergic Graph Memory (SGM), a bounded, decaying memory layer that records recent execution signals on warehouse nodes and directed edges to rank feasible endpoints and route preferences without altering collision constraints or planner validity. Across paired request streams on five layouts, three load levels, and 25 seeds per condition, SGM outperforms two reconstructed many-to-many allocation baselines in all 15 map-load conditions, with paired throughput gains of 20.5-36.7%. These results show that recent execution memory can improve warehouse throughput by shaping which feasible goals enter the planner, not only how agents travel to already fixed goals.

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. 3Google DeepMind、ロボット向けAIを発表新製品・発表
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5GXO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

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