論文の概要: A discrete optimisation approach for target path planning whilst evading sensors

• arxiv url: http://arxiv.org/abs/2106.08826v1
• Date: Wed, 16 Jun 2021 14:42:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 15:44:07.599806
• Title: A discrete optimisation approach for target path planning whilst evading sensors
• Title（参考訳）: センサ回避時の目標経路計画のための離散最適化手法
• Authors: J.E. Beasley
• Abstract要約: 我々は軍事的状況で生じる現実的な問題に対処する。 問題は、敵のセンサーによって検出されることなく、1つ(またはそれ以上)のエージェントがターゲットに到達するための経路を計画することである。 エージェントアクションはパス依存であり、時間制限がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper we deal with a practical problem that arises in military situations. The problem is to plan a path for one (or more) agents to reach a target without being detected by enemy sensors. Agents are not passive, rather they can (within limits) initiate actions which aid evasion, namely knockout (completely disable sensors) and confusion (reduce sensor detection probabilities). Agent actions are path dependent and time limited. Here by path dependent we mean that an agent needs to be sufficiently close to a sensor to knock it out. By time limited we mean that a limit is imposed on how long a sensor is knocked out or confused before it reverts back to its original operating state. The approach adopted breaks the continuous space in which agents move into a discrete space. This enables the problem to be represented (formulated) mathematically as a zero-one integer program with linear constraints. The advantage of representing the problem in this manner is that powerful commercial software optimisation packages exist to solve the problem to proven global optimality. Computational results are presented for a number of randomly generated test problems.
• Abstract（参考訳）: 本稿では,軍事的状況において発生する実用的問題を扱う。 問題は、1人(またはそれ以上)のエージェントが敵のセンサーに検知されずに目標に到達する経路を計画することだ。 エージェントは受動的ではなく、回避を助けるアクション、すなわちノックアウト(完全に無効なセンサー)と混乱(センサー検出確率の低下)を開始することができる。 エージェントアクションはパスに依存し、時間制限がある。 ここでのパス依存は、エージェントがそれをノックアウトするためにセンサーに十分近い必要があることを意味する。 時間制限により、センサーが元の動作状態に戻す前に、どれだけの時間をノックアウトするか、あるいは混乱するかに制限が課されることを意味する。 このアプローチは、エージェントが離散空間に移動する連続空間を壊す。 これにより、問題は線形制約を持つゼロワン整数プログラムとして数学的に表現(形式化)できる。 この方法でこの問題を表現する利点は、この問題を解決するために強力な商用ソフトウェア最適化パッケージが存在することである。 ランダムに生成された多数のテスト問題に対して計算結果が提示される。

関連論文リスト

• Sensor Deprivation Attacks for Stealthy UAV Manipulation [51.9034385791934]
  無人航空機は最先端の制御アルゴリズムを用いて自律的にタスクを実行する。 本稿では,マルチパートを提案する。 センサー分離攻撃 (Sensor Deprivation Attacks, SDA) - 極秘に影響を及ぼす攻撃。 センサーのリコンフィグレーションによる プロセス制御
  論文  参考訳（メタデータ） (2024-10-14T23:03:58Z)
• Multi-Armed Bandits with Abstention [62.749500564313834]
  本稿では, 新たな戦略要素である禁忌を取り入れた, 正準多重武装バンディット問題の拡張を提案する。 この強化されたフレームワークでは、エージェントは各タイムステップでアームを選択することだけでなく、観察する前に即時報酬を受け付けないオプションも備えている。
  論文  参考訳（メタデータ） (2024-02-23T06:27:12Z)
• Model Checking for Closed-Loop Robot Reactive Planning [0.0]
  モデル検査を用いて、ディファレンシャルドライブホイールロボットの多段階計画を作成することにより、即時危険を回避できることを示す。 簡単な生物エージェントのエゴセントリックな反応を反映した,小型で汎用的なモデル検査アルゴリズムを用いて,リアルタイムで計画を生成する。
  論文  参考訳（メタデータ） (2023-11-16T11:02:29Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• On Avoiding Power-Seeking by Artificial Intelligence [93.9264437334683]
  私たちは、非常にインテリジェントなAIエージェントの振る舞いと人間の関心を協調する方法を知りません。 私は、世界に限られた影響を与え、自律的に力を求めないスマートAIエージェントを構築できるかどうか調査する。
  論文  参考訳（メタデータ） (2022-06-23T16:56:21Z)
• Prioritized SIPP for Multi-Agent Path Finding With Kinematic Constraints [0.0]
  MAPF(Multi-Agent Path Finding)は、ロボティクスと人工知能における長年の問題である。 この問題をある程度緩和する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-11T10:42:11Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• PRANK: motion Prediction based on RANKing [4.4861975043227345]
  エージェントの動作を予測することは、自律運転領域における最も重要な問題の一つである。 エージェントの軌道の条件分布を所定のシーンで決定できるPRANK法を提案する。 PRANKを社内とArgoverseのデータセットで評価し、競争結果を示す。
  論文  参考訳（メタデータ） (2020-10-22T19:58:02Z)
• Lenient Regret for Multi-Armed Bandits [72.56064196252498]
  エージェントが順番に行動を選択し、その行動に対する報酬を観察するマルチアーマッド・バンディット(MAB)問題を考察する。 アルゴリズムの大多数は、後悔、すなわち最高の行動の報酬とエージェントの行動の累積的な差を最小化しようとするが、この基準は望ましくない結果をもたらすかもしれない。 我々は、いくつかの$epsilon$よりも小さな最適性ギャップを無視した、より寛大で寛大で後悔すべき基準を提案する。
  論文  参考訳（メタデータ） (2020-08-10T08:30:52Z)

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。