Fugu-MT 論文翻訳(概要): Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review

論文の概要: Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review

arxiv url: http://arxiv.org/abs/2208.12328v1
Date: Thu, 25 Aug 2022 20:04:11 GMT
ステータス: 処理完了
システム内更新日: 2022-08-29 13:17:23.844038
Title: Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review
Title（参考訳）: 強化学習を用いた無人航空機の自律走行:システムレビュー
Authors: Fadi AlMahamid and Katarina Grolinger
Abstract要約: 無人航空機(Unmanned Aerial Vehicle, UAV)は、荷物の配達、交通監視、捜索・救助活動、軍事戦闘など、様々な用途で使用されている。これらのアプリケーションすべてにおいて、UAVは、ヒューマンインタラクションなしで環境を自律的にナビゲートし、特定のタスクを実行し、障害を避けるために使用される。本研究は、まずUAVナビゲーションタスクを特定し、ナビゲーションフレームワークとシミュレーションソフトウェアについて議論する。次に、異なるUAVナビゲーション問題における環境、アルゴリズムの特徴、能力、応用に基づいてRLアルゴリズムを分類、議論する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There is an increasing demand for using Unmanned Aerial Vehicle (UAV), known as drones, in different applications such as packages delivery, traffic monitoring, search and rescue operations, and military combat engagements. In all of these applications, the UAV is used to navigate the environment autonomously - without human interaction, perform specific tasks and avoid obstacles. Autonomous UAV navigation is commonly accomplished using Reinforcement Learning (RL), where agents act as experts in a domain to navigate the environment while avoiding obstacles. Understanding the navigation environment and algorithmic limitations plays an essential role in choosing the appropriate RL algorithm to solve the navigation problem effectively. Consequently, this study first identifies the main UAV navigation tasks and discusses navigation frameworks and simulation software. Next, RL algorithms are classified and discussed based on the environment, algorithm characteristics, abilities, and applications in different UAV navigation problems, which will help the practitioners and researchers select the appropriate RL algorithms for their UAV navigation use cases. Moreover, identified gaps and opportunities will drive UAV navigation research.
Abstract（参考訳）: ドローンとして知られる無人航空機(uav)の使用は、荷物の配送、交通監視、捜索救助活動、軍事戦闘など様々な用途で需要が高まっている。これらのアプリケーションすべてにおいて、UAVは、ヒューマンインタラクションなしで環境を自律的にナビゲートし、特定のタスクを実行し、障害を避けるために使用される。自律型uavナビゲーションは通常、強化学習(rl)を使用して行われ、エージェントは障害物を避けながら環境をナビゲートするドメインの専門家として振る舞う。ナビゲーション環境の理解とアルゴリズムの限界は、ナビゲーション問題を解決するのに適切なrlアルゴリズムを選択する上で重要な役割を果たす。そこで本研究ではまずUAVナビゲーションタスクを特定し,ナビゲーションフレームワークとシミュレーションソフトウェアについて議論する。次に、異なるuavナビゲーション問題における環境、アルゴリズム特性、能力、アプリケーションに基づいてrlアルゴリズムを分類し、議論し、実践者や研究者がそれらのuavナビゲーションユースケースに適したrlアルゴリズムを選択するのに役立つ。さらに、識別されたギャップと機会がUAVナビゲーション研究を促進する。

関連論文リスト

DeepAir: A Multi-Agent Deep Reinforcement Learning Based Scheme for an Unknown User Location Problem [6.185645393091031]
無人航空機(UAV)の様々な環境への展開は、ネットワークパラダイムに対する様々な解決策と戦略を提供してきた。既存の問題の1つは、インフラストラクチャレス環境における未知のユーザロケーションである。本研究では,新しい深層強化学習手法であるDeepAirを提案する。
論文参考訳（メタデータ） (2024-08-11T07:28:35Z)
Research on an Autonomous UAV Search and Rescue System Based on the Improved [1.3399503792039942]
本稿では,EGO-Plannerアルゴリズムに基づく自律検索・救助UAVシステムを提案する。逆モータバックステッピングの手法を用いて、UAVの全体的な飛行効率を高め、マシン全体の小型化を図る。同時に、双方向A*アルゴリズムとオブジェクト検出アルゴリズムによって最適化されたEGO-Planner計画ツールも導入した。
論文参考訳（メタデータ） (2024-06-01T17:25:29Z)
Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文参考訳（メタデータ） (2023-07-05T21:38:36Z)
ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
論文参考訳（メタデータ） (2023-04-06T13:07:17Z)
Advanced Algorithms of Collision Free Navigation and Flocking for Autonomous UAVs [0.0]
本報告は,マルチUAVシステムの自律走行及び運動調整のためのUAV制御の最先端化に寄与する。本報告の前半は単UAVシステムを扱うもので, 未知・動的環境における3次元(3次元)衝突フリーナビゲーションの複雑な問題に対処する。本報告では, マルチUAVシステムの安全ナビゲーションについて述べるとともに, フラッキングと3次元領域カバレッジのための多UAVシステムの分散動作調整手法を開発した。
論文参考訳（メタデータ） (2021-10-30T03:51:40Z)
A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文参考訳（メタデータ） (2021-07-19T12:54:04Z)
Adversarial Environment Generation for Learning to Navigate the Web [107.99759923626242]
Webナビゲーションエージェントのトレーニングのボトルネックの1つは、トレーニング環境の学習可能なカリキュラムを提供することです。 AEG(Adversarial Environment Generation)を使用して、強化学習(RL)エージェントを訓練する困難なWeb環境を生成することを提案する。提案するフレキシブルb-PAIRED技術を用いて訓練したナビゲータエージェントは,競争力のある自動カリキュラム生成ベースラインを著しく上回ることを示す。
論文参考訳（メタデータ） (2021-03-02T19:19:30Z)
Active Visual Information Gathering for Vision-Language Navigation [115.40768457718325]
視覚言語ナビゲーション(VLN)は、エージェントがフォトリアリスティックな環境の中でナビゲーションの指示を行うためのタスクである。 VLNの重要な課題の1つは、曖昧な指示による不確実性を緩和し、環境の観察を不十分にすることで、堅牢なナビゲーションを行う方法である。この研究は、人間のナビゲーション行動からインスピレーションを得て、よりインテリジェントなVLNポリシーのためのアクティブな情報収集能力を持つエージェントを提供する。
論文参考訳（メタデータ） (2020-07-15T23:54:20Z)
APPLD: Adaptive Planner Parameter Learning from Demonstration [48.63930323392909]
本稿では,既存のナビゲーションシステムを新しい複雑な環境に適用可能な,適応プランナー学習(Adaptive Planner Learning from Demonstration)のAPPLDを紹介する。 APPLDは異なる環境で異なるナビゲーションシステムを実行する2つのロボットで検証されている。実験結果から,APPLDはナビゲーションシステムよりも,デフォルトパラメータや専門家パラメータ,さらには人間実証者自体よりも優れていることが示された。
論文参考訳（メタデータ） (2020-03-31T21:15:16Z)

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。