論文の概要: Collaborative Route Planning of UAVs, Workers and Cars for Crowdsensing in Disaster Response

• arxiv url: http://arxiv.org/abs/2308.11088v1
• Date: Mon, 21 Aug 2023 23:54:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 14:06:39.228296
• Title: Collaborative Route Planning of UAVs, Workers and Cars for Crowdsensing in Disaster Response
• Title（参考訳）: 災害対応のためのUAV・労働者・自動車の協調経路計画
• Authors: Lei Han, Chunyu Tu, Zhiwen Yu, Zhiyong Yu, Weihua Shan, Liang Wang, and Bin Guo
• Abstract要約: 無人航空機(UAV)、作業員、車両は、災害に遭った地域で、データ収集などのセンシングタスクを達成するために協力することができる。 複数の効率的な設計を取り入れた異種多エージェント経路計画アルゴリズムMANF-RL-RPを提案する。 Greedy-SC-RPとMANF-DNN-RPのベースラインアルゴリズムと比較して、MANF-RL-RPはタスク完了率において大幅に改善されている。
• 参考スコア（独自算出の注目度）: 14.917259561255177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficiently obtaining the up-to-date information in the disaster-stricken area is the key to successful disaster response. Unmanned aerial vehicles (UAVs), workers and cars can collaborate to accomplish sensing tasks, such as data collection, in disaster-stricken areas. In this paper, we explicitly address the route planning for a group of agents, including UAVs, workers, and cars, with the goal of maximizing the task completion rate. We propose MANF-RL-RP, a heterogeneous multi-agent route planning algorithm that incorporates several efficient designs, including global-local dual information processing and a tailored model structure for heterogeneous multi-agent systems. Global-local dual information processing encompasses the extraction and dissemination of spatial features from global information, as well as the partitioning and filtering of local information from individual agents. Regarding the construction of the model structure for heterogeneous multi-agent, we perform the following work. We design the same data structure to represent the states of different agents, prove the Markovian property of the decision-making process of agents to simplify the model structure, and also design a reasonable reward function to train the model. Finally, we conducted detailed experiments based on the rich simulation data. In comparison to the baseline algorithms, namely Greedy-SC-RP and MANF-DNN-RP, MANF-RL-RP has exhibited a significant improvement in terms of task completion rate.
• Abstract（参考訳）: 災害対応の鍵は,被災地における最新情報を効果的に取得することである。 無人航空機(uav)、労働者、車両は、災害地域におけるデータ収集などのセンシングタスクを達成するために協力することができる。 本稿では,タスク完了率の最大化を目標として,UAV,労働者,自動車を含むエージェント群の経路計画を明示的に検討する。 本稿では,グローバルローカルな二元情報処理や異種マルチエージェントシステムに適したモデル構造を含む,多元多元経路計画アルゴリズムMANF-RL-RPを提案する。 グローバルローカルな二重情報処理は、グローバルな情報からの空間的特徴の抽出と拡散、および個々のエージェントからのローカル情報の分割とフィルタリングを含む。 異種マルチエージェントのためのモデル構造の構築について,以下の研究を行う。 異なるエージェントの状態を表現するために同じデータ構造を設計し、モデル構造を単純化するエージェントの意思決定プロセスのマルコフ特性を証明し、モデルのトレーニングに合理的な報酬関数を設計する。 最後に,リッチシミュレーションデータに基づいて詳細な実験を行った。 Greedy-SC-RPとMANF-DNN-RPのベースラインアルゴリズムと比較して、MANF-RL-RPはタスク完了率において大幅に改善されている。

関連論文リスト

• AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning [100.14685774661959]
  textbfAgentOhanaは、さまざまなシナリオにまたがって、異なる環境からエージェントのトラジェクトリを集約する。 AIエージェント用に調整された大規模なアクションモデルである textbfxLAM-v0.1 は、さまざまなベンチマークで例外的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-23T18:56:26Z)
• Causal Coordinated Concurrent Reinforcement Learning [8.654978787096807]
  本稿では,データ共有と協調探索のための新しいアルゴリズムフレームワークを提案する。 本アルゴリズムは,独立規制による個人差分制御モデルパラメータの抽出において,付加雑音モデル-混合モデル(ANM-MM)という形で因果推論アルゴリズムを利用する。 抽出したモデルパラメータの類似度に基づく新しいデータ共有方式を提案し, 自己回帰, 振り子, カートポールのスイングアップタスクのセットにおいて, 優れた学習速度を示す。
  論文  参考訳（メタデータ） (2024-01-31T17:20:28Z)
• Learning Large Neighborhood Search for Vehicle Routing in Airport Ground Handling [18.115268427898993]
  実機による実験結果から,提案手法は最大200回の飛行と10種類の操作を同時に行うことが可能であることが示唆された。 我々は、模擬学習とグラフ畳み込みネットワーク(GCN)を用いて、破壊演算子を学習し、自動的に変数を選択する。
  論文  参考訳（メタデータ） (2023-02-27T14:16:36Z)
• GenURL: A General Framework for Unsupervised Representation Learning [58.59752389815001]
  教師なし表現学習(URL)は、教師なしの高次元データのコンパクトな埋め込みを学習する。 本稿では,様々なURLタスクにスムーズに適応可能な類似性ベースの統合URLフレームワークGenURLを提案する。 実験により、GenURLは、自己教師付き視覚学習、無教師付き知識蒸留(KD)、グラフ埋め込み(GE)、次元縮小において、一貫した最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2021-10-27T16:24:39Z)
• Learning Efficient Multi-Agent Cooperative Visual Exploration [18.42493808094464]
  複数のエージェントによる視覚的屋内探索の課題を考察し、エージェントはできるだけ少ないステップで屋内全領域を探索する必要がある。 我々は、最先端の単一エージェントRLソリューションであるActive Neural SLAM(ANS)を、新しいRLベースのグローバルゴールプランナーであるSpatial Coordination Planner(SCP)を導入してマルチエージェント設定に拡張する。 SCPは、各エージェントの空間情報をエンドツーエンドに活用し、探索効率の高い異なる空間目標に向けて効果的にエージェントを誘導する。
  論文  参考訳（メタデータ） (2021-10-12T04:48:10Z)
• A Consciousness-Inspired Planning Agent for Model-Based Reinforcement Learning [104.3643447579578]
  本稿では、その状態の関連部分に動的に対応できるエンドツーエンドのモデルベース深層強化学習エージェントを提案する。 この設計により、エージェントは関連するオブジェクトに参画することで効果的に計画を学ぶことができ、配布外一般化がより良くなる。
  論文  参考訳（メタデータ） (2021-06-03T19:35:19Z)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)
• Brainstorming Generative Adversarial Networks (BGANs): Towards Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
  生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。 多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。 本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-02T02:58:32Z)

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。