論文の概要: Human-Centric Aware UAV Trajectory Planning in Search and Rescue
Missions Employing Multi-Objective Reinforcement Learning with AHP and
Similarity-Based Experience Replay
- arxiv url: http://arxiv.org/abs/2402.18487v1
- Date: Wed, 28 Feb 2024 17:10:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 14:18:00.144910
- Title: Human-Centric Aware UAV Trajectory Planning in Search and Rescue
Missions Employing Multi-Objective Reinforcement Learning with AHP and
Similarity-Based Experience Replay
- Title（参考訳）: AHPを用いた多目的強化学習と類似性に基づく体験リプレイを用いた検索・救助ミッションにおけるUAV軌道計画
- Authors: Mahya Ramezani and Jose Luis Sanchez-Lopez
- Abstract要約: 本稿では,UAV軌道計画における人中心的要因の影響について検討する。
包括的調査を通じて,UAV設計におけるジェンダー・キューと人格化が公衆の受容と信頼に与える影響を調査した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The integration of Unmanned Aerial Vehicles (UAVs) into Search and Rescue
(SAR) missions presents a promising avenue for enhancing operational efficiency
and effectiveness. However, the success of these missions is not solely
dependent on the technical capabilities of the drones but also on their
acceptance and interaction with humans on the ground. This paper explores the
effect of human-centric factor in UAV trajectory planning for SAR missions. We
introduce a novel approach based on the reinforcement learning augmented with
Analytic Hierarchy Process and novel similarity-based experience replay to
optimize UAV trajectories, balancing operational objectives with human comfort
and safety considerations. Additionally, through a comprehensive survey, we
investigate the impact of gender cues and anthropomorphism in UAV design on
public acceptance and trust, revealing significant implications for drone
interaction strategies in SAR. Our contributions include (1) a reinforcement
learning framework for UAV trajectory planning that dynamically integrates
multi-objective considerations, (2) an analysis of human perceptions towards
gendered and anthropomorphized drones in SAR contexts, and (3) the application
of similarity-based experience replay for enhanced learning efficiency in
complex SAR scenarios. The findings offer valuable insights into designing UAV
systems that are not only technically proficient but also aligned with
human-centric values.
- Abstract（参考訳）: 無人航空機(UAV)の捜索救助(SAR)ミッションへの統合は、運用効率と有効性を高めるための有望な道を示す。
しかし、これらのミッションの成功は、ドローンの技術的能力だけでなく、地上の人間との受容と相互作用にも依存している。
本稿では,SARミッションにおけるUAV軌道計画における人間中心因子の効果について検討する。
分析階層化プロセスと新しい類似性に基づく経験リプレイを付加した強化学習に基づく新しいアプローチを導入し,uav軌道を最適化し,操作目標と人間の快適さと安全性のバランスをとる。
さらに,包括的調査を通じて,uav設計におけるジェンダーの手がかりと擬人化が公共の受容と信頼に与える影響を調査し,sarにおけるドローンのインタラクション戦略に有意な影響を明らかにした。
コントリビューションには,(1)多目的の考察を動的に統合するUAV軌道計画のための強化学習フレームワーク,(2)SARにおけるジェンダーや人為的なドローンに対する人間の認識の分析,(3)複雑なSARシナリオにおける学習効率向上のための類似性に基づく体験リプレイの適用などが含まれている。
この発見は、技術的に熟練しただけでなく、人間中心の価値観に沿ったUAVシステムの設計に関する貴重な洞察を提供する。
関連論文リスト
- Autonomous Decision Making for UAV Cooperative Pursuit-Evasion Game with Reinforcement Learning [50.33447711072726]
本稿では,マルチロールUAV協調追従ゲームにおける意思決定のための深層強化学習モデルを提案する。
提案手法は,追従回避ゲームシナリオにおけるUAVの自律的意思決定を可能にする。
論文 参考訳（メタデータ） (2024-11-05T10:45:30Z) - UAV-Enhanced Combination to Application: Comprehensive Analysis and Benchmarking of a Human Detection Dataset for Disaster Scenarios [3.759682200711633]
無人航空機(UAV)は捜索救助(SAR)活動に革命をもたらした。
機械学習モデルをトレーニングするための、特殊なヒューマン検出データセットが欠如していることは、大きな課題である。
本稿では,UAVが捉えた災害現場に人間のポーズをオーバーレイして合成したC2Aデータセットについて述べる。
論文 参考訳（メタデータ） (2024-08-09T08:07:19Z) - 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) - Trial and Error: Exploration-Based Trajectory Optimization for LLM Agents [49.85633804913796]
本稿では,ETOと呼ばれる探索に基づく軌道最適化手法を提案する。
この学習方法はオープンLLMエージェントの性能を向上させるために設計されている。
3つの複雑なタスクに関する実験は、ETOがベースライン性能をはるかに上回っていることを示す。
論文 参考訳（メタデータ） (2024-03-04T21:50:29Z) - Joint Path planning and Power Allocation of a Cellular-Connected UAV
using Apprenticeship Learning via Deep Inverse Reinforcement Learning [7.760962597460447]
本稿では,郊外環境におけるセルラー接続型無人航空機(UAV)の干渉対応共同経路計画と電力配分機構について検討する。
UAVは、そのアップリンクスループットを最大化し、近隣のBSに接続された地上ユーザ機器(UE)への干渉のレベルを最小化することを目的としている。
Q-learning と深層強化学習 (DRL) を併用した逆強化学習 (IRL) による見習い学習手法
論文 参考訳（メタデータ） (2023-06-15T20:50:05Z) - UAV-Assisted Space-Air-Ground Integrated Networks: A Technical Review of Recent Learning Algorithms [7.056347753829855]
無人航空機(UAV)は宇宙航空地上統合ネットワーク(SAGIN)において重要な役割を果たしている
UAVの高ダイナミック性と複雑さのため、SAGINの実際の展開は、そのようなSAGINを実現する上で重要な障壁となる。
本稿では,UAV支援型SAGINにおける最近の学習アルゴリズムについて,本質的なレビューと分析を行う。
論文 参考訳（メタデータ） (2022-11-27T20:35:03Z) - DL-DRL: A double-level deep reinforcement learning approach for
large-scale task scheduling of multi-UAV [65.07776277630228]
分割・征服フレームワーク(DCF)に基づく二重レベル深層強化学習(DL-DRL)手法を提案する。
特に,上層部DRLモデルにおけるエンコーダ・デコーダ構成ポリシネットワークを設計し,タスクを異なるUAVに割り当てる。
また、低レベルDRLモデルにおける別の注意に基づくポリシーネットワークを利用して、各UAVの経路を構築し、実行されたタスク数を最大化する。
論文 参考訳（メタデータ） (2022-08-04T04:35:53Z) - 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) - 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)
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。