論文の概要: Censored Deep Reinforcement Patrolling with Information Criterion for
Monitoring Large Water Resources using Autonomous Surface Vehicles
- arxiv url: http://arxiv.org/abs/2210.08115v1
- Date: Wed, 12 Oct 2022 07:33:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 20:16:41.460005
- Title: Censored Deep Reinforcement Patrolling with Information Criterion for
Monitoring Large Water Resources using Autonomous Surface Vehicles
- Title（参考訳）: 自律型水上車両を用いた大型水資源監視のための情報基準付き検閲深層補強パトロール
- Authors: Samuel Yanes Luis, Daniel Guti\'errez Reina, Sergio Toral Mar\'in
- Abstract要約: 本研究は,自律走行車を用いた大規模水資源モニタリングの枠組みを提案する。
データに対する不確実性低減の尺度として情報ゲインを用いて,モデルに基づく障害物回避のためのQ-Censoring機構によって改良されたディープQ-ラーニングアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring and patrolling large water resources is a major challenge for
conservation. The problem of acquiring data of an underlying environment that
usually changes within time involves a proper formulation of the information.
The use of Autonomous Surface Vehicles equipped with water quality sensor
modules can serve as an early-warning system agents for contamination
peak-detection, algae blooms monitoring, or oil-spill scenarios. In addition to
information gathering, the vehicle must plan routes that are free of obstacles
on non-convex maps. This work proposes a framework to obtain a collision-free
policy that addresses the patrolling task for static and dynamic scenarios.
Using information gain as a measure of the uncertainty reduction over data, it
is proposed a Deep Q-Learning algorithm improved by a Q-Censoring mechanism for
model-based obstacle avoidance. The obtained results demonstrate the usefulness
of the proposed algorithm for water resource monitoring for static and dynamic
scenarios. Simulations showed the use of noise-networks are a good choice for
enhanced exploration, with 3 times less redundancy in the paths. Previous
coverage strategies are also outperformed both in the accuracy of the obtained
contamination model by a 13% on average and by a 37% in the detection of
dangerous contamination peaks. Finally, these results indicate the
appropriateness of the proposed framework for monitoring scenarios with
autonomous vehicles.
- Abstract（参考訳）: 大きな水資源のモニタリングとパトロールは、保全の大きな課題である。
通常、時間内で変化する基礎となる環境のデータを取得する問題は、情報の適切な定式化を伴う。
水質センサーモジュールを備えた自律型表面車両の使用は、汚染ピーク検出、藻の開花モニタリング、石油散布シナリオの早期警戒システムエージェントとして機能する。
情報収集に加えて、車両は非凸マップ上の障害物のないルートを計画する必要がある。
本研究は,静的および動的シナリオのパトロールタスクに対処する衝突のないポリシを実現するための枠組みを提案する。
情報ゲインをデータに対する不確実性低減の指標として,モデルに基づく障害物回避のためのq検閲機構により改良された深いq学習アルゴリズムを提案する。
その結果,静的および動的シナリオに対する水資源モニタリングにおける提案アルゴリズムの有用性が示された。
シミュレーションでは、ノイズネットワークの使用は探索の強化に適しており、3倍の冗長性が低下している。
また, 得られた汚染モデルの精度は, 平均13%, 危険な汚染ピークの検出率は37%であった。
以上より,自動運転車を用いたシナリオ監視のための枠組みの妥当性が示唆された。
関連論文リスト
- Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。
車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。
ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
論文 参考訳（メタデータ） (2024-10-08T10:35:32Z) - Deep Reinforcement Multi-agent Learning framework for Information
Gathering with Local Gaussian Processes for Water Monitoring [3.2266662249755025]
局所ガウス過程と深層強化学習を用いて効果的なモニタリングポリシを共同で取得することが提案されている。
このモデルの平均と分散の観察に基づく決定に基づく、深い畳み込み政策が提案されている。
エージェントはDouble Deep Q-Learningアルゴリズムを用いて、安全な方法で推定誤差を最小限に抑えるように訓練される。
論文 参考訳（メタデータ） (2024-01-09T15:58:15Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Estimating irregular water demands with physics-informed machine
learning to inform leakage detection [0.0]
飲料水流通網の漏れは水道事業に重大な課題をもたらす。
本研究では、圧力データを分析し、未知の不規則な水需要を推定する物理インフォームド・機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-06T11:55:16Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - A Distributed Acoustic Sensor System for Intelligent Transportation
using Deep Learning [2.1219631216034127]
本研究は,光ファイバーを用いた分散音響センサ(DAS)を用いた交通解析のための新しいデータソースについて検討する。
本研究では,DAS信号の分析を行う深層学習手法を提案する。
制御条件下で収集したDASデータに基づいて,車両の分類精度92%,乗員検出92%-97%を達成した。
論文 参考訳（メタデータ） (2022-09-13T13:23:30Z) - Dense Air Quality Maps Using Regressive Facility Location Based Drive By
Sensing [4.264192013842096]
本稿では,隣接する場所におけるスムーズさと自己回帰時間相関を組み込んだ効率的な車両選択フレームワークを提案する。
インド・デリーの公共交通機関からサブセットを選択する際の枠組みを評価する。
論文 参考訳（メタデータ） (2022-01-20T18:20:37Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
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。