論文の概要: Learning Multi-Agent Coordination for Enhancing Target Coverage in Directional Sensor Networks

• arxiv url: http://arxiv.org/abs/2010.13110v1
• Date: Sun, 25 Oct 2020 13:07:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 04:58:33.167699
• Title: Learning Multi-Agent Coordination for Enhancing Target Coverage in Directional Sensor Networks
• Title（参考訳）: 指向性センサネットワークにおけるターゲットカバレッジ向上のためのマルチエージェントコーディネート学習
• Authors: Jing Xu, Fangwei Zhong, Yizhou Wang
• Abstract要約: 本稿では,階層的対象指向型マルチエージェントコーディネーション(HiT-MAC)を提案する。 具体的には、コーディネータは、定期的に環境を監視し、各エグゼキュータにターゲットを割り当てる。 代わりに、実行者は割り当てられたターゲットを追跡するだけでよい。
• 参考スコア（独自算出の注目度）: 19.80217434746067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maximum target coverage by adjusting the orientation of distributed sensors is an important problem in directional sensor networks (DSNs). This problem is challenging as the targets usually move randomly but the coverage range of sensors is limited in angle and distance. Thus, it is required to coordinate sensors to get ideal target coverage with low power consumption, e.g. no missing targets or reducing redundant coverage. To realize this, we propose a Hierarchical Target-oriented Multi-Agent Coordination (HiT-MAC), which decomposes the target coverage problem into two-level tasks: targets assignment by a coordinator and tracking assigned targets by executors. Specifically, the coordinator periodically monitors the environment globally and allocates targets to each executor. In turn, the executor only needs to track its assigned targets. To effectively learn the HiT-MAC by reinforcement learning, we further introduce a bunch of practical methods, including a self-attention module, marginal contribution approximation for the coordinator, goal-conditional observation filter for the executor, etc. Empirical results demonstrate the advantage of HiT-MAC in coverage rate, learning efficiency,and scalability, comparing to baselines. We also conduct an ablative analysis on the effectiveness of the introduced components in the framework.
• Abstract（参考訳）: 分散センサの方向調整による最大ターゲットカバレッジは、方向センサネットワーク(dsn)において重要な問題である。 ターゲットは通常ランダムに移動するが、センサーの範囲は角度と距離に制限されるため、この問題は難しい。 したがって、不足するターゲットや冗長なカバレッジの削減など、低消費電力で理想的なターゲットカバレッジを得るためには、センサの調整が必要となる。 そこで本研究では,対象範囲の問題を,コーディネータによる目標割り当てと実行者による割り当てられた目標の追跡という2段階のタスクに分解する階層的目標指向マルチエージェント協調(hit-mac)を提案する。 具体的には、コーディネータは定期的に環境をグローバルに監視し、各実行者にターゲットを割り当てる。 代わりに、実行者は割り当てられたターゲットを追跡するだけでよい。 強化学習によるhit-macを効果的に学習するために, セルフアテンションモジュール, コーディネータの限界貢献近似, 実行者のための目標条件観察フィルタなど, 実用的な手法を多数導入する。 実験結果から,HiT-MACのカバレッジ率,学習効率,スケーラビリティの利点をベースラインと比較した。 また,フレームワークで導入されたコンポーネントの有効性について,アブレーション分析を行った。

関連論文リスト

• Pick of the Bunch: Detecting Infrared Small Targets Beyond Hit-Miss Trade-Offs via Selective Rank-Aware Attention [22.580497586948198]
  複雑な背景乱れの中で、赤外線小目標検出は、ディムターゲットを正確に位置決めする固有の課題に直面している。 本稿では,従来のヒットミストレードオフを超えて高精度なネットワークであるSeRankDetを提案する。
  論文  参考訳（メタデータ） (2024-08-07T12:10:32Z)
• Decentralized Multi-Agent Active Search and Tracking when Targets Outnumber Agents [8.692007892160913]
  そこで我々は,DecSTERと呼ばれる分散マルチエージェント,マルチターゲット,同時アクティブ検索・追跡アルゴリズムを提案する。 提案アルゴリズムは,確率仮説密度フィルタの逐次モントカルロ法とトンプソンサンプリングを併用し,分散化マルチエージェント意思決定を行う。 シミュレーションでは,DecSTERは信頼性の低いエージェント間通信に頑健であり,最適サブパターン割り当て(OSPA)の指標で情報グレディベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-01-06T08:10:58Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Learning to Learn Better for Video Object Segmentation [94.5753973590207]
  本稿では,SVOS の学習目標機能 (LLB) を強調する新しいフレームワークを提案する。 識別ラベル生成モジュール(DLGM)と適応融合モジュールを設計し,これらの課題に対処する。 提案手法は最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-12-05T09:10:34Z)
• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• Uncertainty with UAV Search of Multiple Goal-oriented Targets [25.918290198644122]
  本稿では,不確実性下でのUAVの探索対象の複雑な問題について考察する。 エントロピーと時間的信念を組み合わせた,UAVのためのリアルタイムアルゴリズムフレームワークを提案する。 我々は,アルゴリズムの枠組みを実証的に評価し,その効率と大幅な性能向上を実証した。
  論文  参考訳（メタデータ） (2022-03-03T09:57:00Z)
• Generative multitask learning mitigates target-causing confounding [61.21582323566118]
  マルチタスク学習のための因果表現学習のためのシンプルでスケーラブルなアプローチを提案する。 改善は、目標を狙うが入力はしない、観測されていない共同ファウンダーを緩和することによる。 人の属性とタスクノミーのデータセットに対する我々の結果は、事前の確率シフトに対するロバストネスの概念的改善を反映している。
  論文  参考訳（メタデータ） (2022-02-08T20:42:14Z)
• Goal-Aware Cross-Entropy for Multi-Target Reinforcement Learning [15.33496710690063]
  本稿では,目標認識型クロスエントロピー(GACE)ロスを提案する。 次に、目標関連情報を利用して与えられた指示に集中する目標識別型注意ネットワーク(GDAN)を考案する。
  論文  参考訳（メタデータ） (2021-10-25T14:24:39Z)
• Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent Space Distribution Matching in WAE [51.09507030387935]
  Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。 本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。 WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
  論文  参考訳（メタデータ） (2021-10-19T22:55:47Z)
• Learning to Track Dynamic Targets in Partially Known Environments [48.49957897251128]
  我々は、アクティブな目標追跡を解決するために、深層強化学習アプローチを用いる。 特に,アクティブ・トラッカー・ターゲティング・ネットワーク(ATTN)を導入し,アクティブ・ターゲティング・ターゲティングの主要なタスクを解決するための統一的なRLポリシーを提案する。
  論文  参考訳（メタデータ） (2020-06-17T22:45:24Z)

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。