論文の概要: Drone Flocking Optimization using NSGA-II and Principal Component Analysis

• arxiv url: http://arxiv.org/abs/2205.00432v1
• Date: Sun, 1 May 2022 09:24:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 05:29:39.673638
• Title: Drone Flocking Optimization using NSGA-II and Principal Component Analysis
• Title（参考訳）: NSGA-IIと主成分分析を用いたドローン浮揚最適化
• Authors: Jagdish Chand Bansal, Nikhil Sethi, Ogbonnaya Anicho, Atulya Nagar
• Abstract要約: 鳥の群れや魚の群れのような自然システムにおける個々のエージェントは、地元の集団で協調しコミュニケーションする素晴らしい能力を示す。 このような自然システムをドローン群にエミュレートして、防衛、農業、産業の自動化、人道支援といった問題を解決することは、新しい技術である。 複数の対立する目標を持つ 制限された環境で ドローンの群れを最適化することを提案する。
• 参考スコア（独自算出の注目度）: 0.8495139954994114
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Individual agents in natural systems like flocks of birds or schools of fish display a remarkable ability to coordinate and communicate in local groups and execute a variety of tasks efficiently. Emulating such natural systems into drone swarms to solve problems in defence, agriculture, industry automation and humanitarian relief is an emerging technology. However, flocking of aerial robots while maintaining multiple objectives, like collision avoidance, high speed etc. is still a challenge. In this paper, optimized flocking of drones in a confined environment with multiple conflicting objectives is proposed. The considered objectives are collision avoidance (with each other and the wall), speed, correlation, and communication (connected and disconnected agents). Principal Component Analysis (PCA) is applied for dimensionality reduction, and understanding the collective dynamics of the swarm. The control model is characterised by 12 parameters which are then optimized using a multi-objective solver (NSGA-II). The obtained results are reported and compared with that of the CMA-ES algorithm. The study is particularly useful as the proposed optimizer outputs a Pareto Front representing different types of swarms which can applied to different scenarios in the real world.
• Abstract（参考訳）: 鳥類の群れや魚類の群れのような自然のシステムの個々のエージェントは、ローカルグループで協調し、コミュニケーションし、さまざまなタスクを効率的に実行する素晴らしい能力を示している。 このような自然システムをドローン群にエミュレートし、防衛、農業、産業自動化、人道支援といった問題を解決することは、新たな技術である。 しかし、衝突回避や高速などの複数の目標を維持しながら空中ロボットの群れは依然として課題である。 本稿では,複数の競合する目標を持つ限定環境におけるドローンの群れ最適化を提案する。 検討対象は衝突回避(相互および壁)、速度、相関、通信(接続および切断されたエージェント)である。 主成分分析(PCA)は次元の減少と群集の集合力学の理解に応用される。 制御モデルは12のパラメータで特徴づけられ、多目的解法(NSGA-II)を用いて最適化される。 得られた結果をCMA-ESアルゴリズムと比較した。 この研究は、提案されたオプティマイザが現実世界のさまざまなシナリオに適用可能な様々な種類のスワムを表すPareto Frontを出力するので特に有用である。

関連論文リスト

• UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
  本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。 ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
  論文  参考訳（メタデータ） (2024-04-11T03:19:22Z)
• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• Enhancing Robotic Navigation: An Evaluation of Single and Multi-Objective Reinforcement Learning Strategies [0.9208007322096532]
  本研究では,ロボットが目的達成に向けて効果的に移動できるよう訓練するための単目的と多目的の強化学習法の比較分析を行った。 報酬関数を変更して報酬のベクターを返却し、それぞれ異なる目的に関連付けることで、ロボットはそれぞれの目標を効果的にバランスさせるポリシーを学ぶ。
  論文  参考訳（メタデータ） (2023-12-13T08:00:26Z)
• Joint Optimization of Deployment and Trajectory in UAV and IRS-Assisted IoT Data Collection System [25.32139119893323]
  無人航空機(UAV)は多くのモノのインターネット(IoT)システムに適用できる。 UAV-IoT無線チャネルは、時には木や高層建築物によってブロックされることがある。 本稿では,UAVの展開と軌道を最適化することで,システムのエネルギー消費を最小化することを目的とする。
  論文  参考訳（メタデータ） (2022-10-27T06:27:40Z)
• A Multi-objective Memetic Algorithm for Auto Adversarial Attack Optimization Design [1.9100854225243937]
  良く設計された敵防衛戦略は、敵の例に対するディープラーニングモデルの堅牢性を改善することができる。 防御モデルを考えると、計算負担が少なく、ロバストな精度の低い効率的な敵攻撃を更に活用する必要がある。 本稿では,防衛モデルに対する準最適攻撃の自動探索を実現する自動対向攻撃最適化設計のための多目的メメティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-15T03:03:05Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
  UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。 エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。 UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
  論文  参考訳（メタデータ） (2021-03-03T20:54:19Z)
• Multi-Agent Reinforcement Learning for Unmanned Aerial Vehicle Coordination by Multi-Critic Policy Gradient Optimization [16.6182621419268]
  農業、災害管理、捜索および救助活動、商業および軍事用途では、ドローンの艦隊を適用する利点は、自律的に協力する能力に由来します。 本稿では,政策ネットワークの安定的な更新と報酬信号開発における類似性を実現するマルチエージェント強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-31T07:00:44Z)
• Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains [14.787379075870383]
  本稿では、Tr-GOと呼ばれる歩行最適化のための移動学習に基づく進化的フレームワークを提案する。 この考え方は、トランスファーラーニング技術を用いて高品質な人口を初期化することを目的としており、どんな集団ベースの最適化アルゴリズムでもこのフレームワークにシームレスに統合できる。 実験の結果,3つの多目的進化アルゴリズムに基づく歩行最適化問題に対する提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-12-24T16:41:36Z)

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。