Adaptive Multi-Agent Coordination for Urban Medicine Delivery in Elderly Care Facilities
Notice bibliographique
Résumé
In senior care facilities, where staff availability is limited and patient needs are timesensitive, effective and dependable medication delivery systems are essential. These issues are successfully addressed by multi-robot systems that use adaptive Multi-Agent Reinforcement Learning (MARL) to coordinate Autonomous Mobile Robots (AMRs) for on-time delivery. These systems improve operational efficiency in care facilities by enabling navigation of complex environments with both static and dynamic obstacles by utilizing powerful simulations (e.g., Webots). By integrating sophisticated MARL algorithms like Factored Centralized Actor-Critic (FACMAC) and Counterfactual Multi-Agent (COMA) into the Robot Operating System 2 (ROS 2) framework and the PyTorch library, it is possible to allocate tasks adaptively and enhance the coordination of multiple robots in real-time scenarios with varying human interactions. These algorithms improve the robots' capacity to anticipate and react to people's movements within the assisted living facility. Extensive training results show that MARLcoordinated robots achieve 92-95% completion rates with fewer collisions and improved routing efficiency, significantly outperforming classical multi-agent path finding(MAPF) systems. Insights also highlight the potential for deploying multiple physical robots and emphasize the significance of using digital twin simulations for safe training environments. The results corroborate the expanding body of research that argues for the use of intelligent robotic systems in eldercare to improve care quality and alleviate caregiver shortages. To sum up, the use of sophisticated algorithms in robotics creates the foundation for more effective and efficient drug delivery systems in senior care settings. Future research should concentrate on applying learned policies from simulation to real-world applications while maintaining ethical considerations, especially with regard to the dynamics of the relationship between elderly patients and robots.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».