論文の概要: Federated Multi-Agent Mapping for Planetary Exploration

• arxiv url: http://arxiv.org/abs/2404.02289v3
• Date: Thu, 06 Mar 2025 22:11:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:20:04.407133
• Title: Federated Multi-Agent Mapping for Planetary Exploration
• Title（参考訳）: 惑星探査のためのフェデレーションマルチエージェントマッピング
• Authors: Tiberiu-Ioan Szatmari, Abhishek Cauligi,
• Abstract要約: 本稿では,エージェント間のグローバルマップモデルを生データを送信することなく,協調的にトレーニングするフェデレーション型マルチエージェントマッピング手法を提案する。 提案手法は暗黙的ニューラルマッピングを利用してパシモニアスで適応可能な表現を生成し,生のマップと比較して最大93.8%のデータを伝送する。 我々は,火星の地形や氷河のデータセットに対するアプローチの有効性を実証し,F1スコアを0.95ポイントまで下方経路計画を達成するとともに,地図の復元損失に勝る結果を得た。
• 参考スコア（独自算出の注目度）: 0.4143603294943439
• License:
• Abstract: Multi-agent robotic exploration stands to play an important role in space exploration as the next generation of robotic systems ventures to far-flung environments. A key challenge in this new paradigm will be to effectively share and utilize the vast amount of data generated onboard while operating in bandwidth-constrained regimes typical of space missions. Federated learning (FL) is a promising tool for bridging this gap. Drawing inspiration from the upcoming CADRE Lunar rover mission, we propose a federated multi-agent mapping approach that jointly trains a global map model across agents without transmitting raw data. Our method leverages implicit neural mapping to generate parsimonious, adaptable representations, reducing data transmission by up to 93.8% compared to raw maps. Furthermore, we enhance this approach with meta-initialization on Earth-based traversability datasets to significantly accelerate map convergence; reducing iterations required to reach target performance by 80% compared to random initialization. We demonstrate the efficacy of our approach on Martian terrains and glacier datasets, achieving downstream path planning F1 scores as high as 0.95 while outperforming on map reconstruction losses.
• Abstract（参考訳）: マルチエージェントロボット探査は、次世代のロボットシステムベンチャーとして宇宙探査において重要な役割を担っている。 この新しいパラダイムの鍵となる課題は、宇宙ミッションに典型的な帯域制限のある体制で運用しながら、大量のデータを効果的に共有し、利用することである。 フェデレートラーニング(FL)は、このギャップを埋めるための有望なツールです。 CADRE Lunarのローバーミッションからインスピレーションを得て,原データを送信せずにエージェント間でグローバルマップモデルを共同で訓練する,連合型マルチエージェントマッピング手法を提案する。 提案手法は暗黙的ニューラルマッピングを利用してパシモニアスで適応可能な表現を生成し,生のマップと比較して最大93.8%のデータを伝送する。 さらに,地球をベースとしたトラバーサビリティデータセットのメタ初期化により,マップの収束を著しく加速し,ランダム初期化と比較して目標性能に達するために必要なイテレーションを80%削減する。 我々は,火星の地形や氷河のデータセットに対するアプローチの有効性を実証し,F1スコアを最大0.95ポイントまで下方経路計画を達成するとともに,地図の復元損失よりも優れた結果を得た。

関連論文リスト

• Few-shot Scooping Under Domain Shift via Simulated Maximal Deployment Gaps [25.102403059931184]
  本稿では,少数のスクーピング問題を考察し,視覚に基づく適応型スクーピング戦略を提案する。 私たちは、オフラインのトレーニングデータセットからシミュレートされたデプロイメントギャップを作成することで、大規模なドメインシフトに対応するために、ディープカーネルモデルをトレーニングします。 提案手法はまた、ゼロショット転送能力を示し、NASA OWLATプラットフォームへの適応に成功した。
  論文  参考訳（メタデータ） (2024-08-06T04:25:09Z)
• Active Neural Topological Mapping for Multi-Agent Exploration [24.91397816926568]
  マルチエージェント協調探索問題では、複数のエージェントが限られた時間で感覚信号を介して見えない環境を探索する必要がある。 トポロジカルマップは、抽象的だが不可欠な情報を持つノードとエッジのみからなる、有望な代替手段である。 深層強化学習は、高速なエンドツーエンド推論を通じて(ほぼ)最適ポリシーを学ぶ大きな可能性を示している。 マルチエージェント探索作業における探索効率の向上と一般化を目的とした,Multi-Agent Neural Topological Mapping (MANTM)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T03:06:14Z)
• Knowledge distillation with Segment Anything (SAM) model for Planetary Geological Mapping [0.7266531288894184]
  本稿では,迅速なアノテーションと迅速な適応性を実現するための素早い基礎モデルの有効性を示す。 主要な結果は、知識蒸留を使用することで、手動アノテーションのドメインの専門家が必要とする労力を大幅に削減できることを示唆している。 このアプローチは、火星の地形を自動的に検出し、セグメンテーションすることで、地球外発見を加速する可能性がある。
  論文  参考訳（メタデータ） (2023-05-12T16:30:58Z)
• BEVBert: Multimodal Map Pre-training for Language-guided Navigation [75.23388288113817]
  視覚・言語ナビゲーション(VLN)における空間認識型マップベース事前学習パラダイムを提案する。 我々は,グローバルなトポロジカルマップにおけるナビゲーション依存性をモデル化しながら,不完全な観測を明示的に集約し,重複を取り除くための局所距離マップを構築した。 ハイブリッドマップをベースとして,マルチモーダルマップ表現を学習するための事前学習フレームワークを考案し,空間認識型クロスモーダル推論を強化し,言語誘導ナビゲーションの目標を導出する。
  論文  参考訳（メタデータ） (2022-12-08T16:27:54Z)
• Long-HOT: A Modular Hierarchical Approach for Long-Horizon Object Transport [83.06265788137443]
  我々は、時間的拡張ナビゲーションのための新しいオブジェクトトランスポートタスクと新しいモジュラーフレームワークを提案することで、長距離探査と航法を具現化する上で重要な課題に対処する。 私たちの最初の貢献は、深層探査と長期計画に焦点を当てた新しいLong-HOT環境の設計である。 重み付けされたフロンティアの助けを借りて探索を行うために,シーンのトポロジカルグラフを構築するモジュラー階層輸送ポリシー(HTP)を提案する。
  論文  参考訳（メタデータ） (2022-10-28T05:30:49Z)
• Mixed-domain Training Improves Multi-Mission Terrain Segmentation [0.9566312408744931]
  現在の火星の地形区分モデルは、異なる領域にまたがる配置のために再訓練を必要とする。 本研究では,火星表面のマルチミッションセマンティックセマンティックセグメンテーションのために,バックボーンの教師なしコントラスト事前学習を利用する半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-27T20:25:24Z)
• Adaptive Path Planning for UAVs for Multi-Resolution Semantic Segmentation [28.104584236205405]
  重要な課題は、大規模な環境で取得したデータの価値を最大化するミッションを計画することである。 これは例えば、農地のモニタリングに関係している。 本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-03T11:03:28Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Successor Feature Landmarks for Long-Horizon Goal-Conditioned Reinforcement Learning [54.378444600773875]
  大規模で高次元の環境を探索するフレームワークであるSFL(Successor Feature Landmarks)を紹介する。 SFLは、状態のノベルティを推定して探索を推進し、状態空間を非パラメトリックなランドマークベースのグラフとして抽象化することで、高レベルな計画を可能にする。 我々は,MiniGrid と ViZDoom の実験において,SFL が大規模高次元状態空間の効率的な探索を可能にすることを示す。
  論文  参考訳（メタデータ） (2021-11-18T18:36:05Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。