論文の概要: Collaborative State Fusion in Partially Known Multi-agent Environments
- arxiv url: http://arxiv.org/abs/2410.15137v1
- Date: Sat, 19 Oct 2024 15:34:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:16:18.146107
- Title: Collaborative State Fusion in Partially Known Multi-agent Environments
- Title（参考訳）: 多エージェント環境における協調的状態融合
- Authors: Tianlong Zhou, Jun Shang, Weixiong Rao,
- Abstract要約: 本稿では,マルチエージェント環境における協調的状態融合問題について検討する。
本稿では,2段階共同融合フレームワークであるアンダーラインLearnable weighted Runderlineobust underlineFusion (textsfLoF)を提案する。
4つのエージェントと2つのターゲットを持つ例では、textsfLoFは最先端よりも9.1%高い融合ゲインをもたらす。
- 参考スコア（独自算出の注目度）: 0.30723404270319676
- License:
- Abstract: In this paper, we study the collaborative state fusion problem in a multi-agent environment, where mobile agents collaborate to track movable targets. Due to the limited sensing range and potential errors of on-board sensors, it is necessary to aggregate individual observations to provide target state fusion for better target state estimation. Existing schemes do not perform well due to (1) impractical assumption of the fully known prior target state-space model and (2) observation outliers from individual sensors. To address the issues, we propose a two-stage collaborative fusion framework, namely \underline{L}earnable Weighted R\underline{o}bust \underline{F}usion (\textsf{LoF}). \textsf{LoF} combines a local state estimator (e.g., Kalman Filter) with a learnable weight generator to address the mismatch between the prior state-space model and underlying patterns of moving targets. Moreover, given observation outliers, we develop a time-series soft medoid(TSM) scheme to perform robust fusion. We evaluate \textsf{LoF} in a collaborative detection simulation environment with promising results. In an example setting with 4 agents and 2 targets, \textsf{LoF} leads to a 9.1\% higher fusion gain compared to the state-of-the-art.
- Abstract（参考訳）: 本稿では,モバイルエージェントが協調して移動目標を追跡するマルチエージェント環境における協調的状態融合問題について検討する。
搭載センサーの検知範囲の制限と潜在的な誤差のため、目標状態推定のための目標状態融合を提供するために、個々の観測を集約する必要がある。
既存のスキームは,(1) 既知対象状態空間モデルの非現実的な仮定,(2) 個々のセンサからの外れ値の観測などにより,うまく動作しない。
この問題に対処するため、我々は2段階の協調融合フレームワーク、すなわち \underline{L}earnable Weighted R\underline{o}bust \underline{F}usion (\textsf{LoF})を提案する。
\textsf{LoF} は、ローカル状態推定器(例えば、カルマンフィルタ)と学習可能な重み生成器を組み合わせることで、以前の状態空間モデルと移動対象の基本的なパターンとのミスマッチに対処する。
さらに,観測結果の外れを考慮し,堅牢な核融合を行うための時系列ソフトメドイド (TSM) スキームを開発した。
協調検出シミュレーション環境における \textsf{LoF} の評価を行った。
4つのエージェントと2つのターゲットを持つ例では、 \textsf{LoF} は最先端よりも9.1\%高い融合ゲインをもたらす。
関連論文リスト
- Latent-EnSF: A Latent Ensemble Score Filter for High-Dimensional Data Assimilation with Sparse Observation Data [4.027368782323261]
本研究では,非線形ベイズフィルタの観測における高次元化と高空間化の課題に対処するため,新しいデータ同化手法であるLatent-EnSFを提案する。
本研究では,浅波伝搬と中距離気象予報の複雑なモデルを用いた2つの難題に対して,Latent-EnSFの高精度,高速収束,高効率性を実証した。
論文 参考訳（メタデータ） (2024-08-29T04:43:20Z) - Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。
$mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。
$mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文 参考訳（メタデータ） (2024-06-18T15:26:54Z) - AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。
AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。
ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
論文 参考訳（メタデータ） (2023-07-28T08:05:36Z) - A Cooperative Perception System Robust to Localization Errors [8.65435011972241]
我々はOptiMatchと呼ばれる分散オブジェクトレベルの協調認識システムを提案する。
検出された3Dバウンディングボックスと局所状態情報は、接続された車両間で共有される。
実験の結果,提案手法は最先端のベンチマーク融合方式よりも優れていた。
論文 参考訳（メタデータ） (2022-10-12T15:07:24Z) - AFT-VO: Asynchronous Fusion Transformers for Multi-View Visual Odometry
Estimation [39.351088248776435]
複数のセンサからVOを推定する新しいトランスフォーマーベースのセンサ融合アーキテクチャであるAFT-VOを提案する。
本フレームワークは,非同期マルチビューカメラからの予測と,異なる情報源からの計測の時間的差を考慮に入れたものである。
実験により,VO推定のための多視点融合により,頑健かつ正確な軌道が得られ,難易度と照明条件の両方において高い性能を発揮することが示された。
論文 参考訳（メタデータ） (2022-06-26T19:29:08Z) - $\texttt{FedBC}$: Calibrating Global and Local Models via Federated
Learning Beyond Consensus [66.62731854746856]
フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。
本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。
私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
論文 参考訳（メタデータ） (2022-06-22T02:42:04Z) - Pay "Attention" to Adverse Weather: Weather-aware Attention-based Object
Detection [5.816506391882502]
本稿では,マルチモーダルセンシングストリームを適応的に融合させるGLA(Global-Local Attention)フレームワークを提案する。
具体的には、GLAは、ローカルアテンションネットワークを介してアーリーステージフュージョンと、グローバルアテンションネットワークを介してレイトステージフュージョンを統合し、ローカル情報とグローバル情報の両方を扱う。
実験により, 提案したGLAの性能は, 最先端核融合法と比較して優れていた。
論文 参考訳（メタデータ） (2022-04-22T16:32:34Z) - Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。
この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
論文 参考訳（メタデータ） (2021-04-01T10:19:40Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。
予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。
我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
論文 参考訳（メタデータ） (2019-12-30T20:25:16Z)
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。