論文の概要: Predictive Probability Density Mapping for Search and Rescue Using An Agent-Based Approach with Sparse Data
- arxiv url: http://arxiv.org/abs/2412.13317v1
- Date: Tue, 17 Dec 2024 20:37:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 16:45:35.349647
- Title: Predictive Probability Density Mapping for Search and Rescue Using An Agent-Based Approach with Sparse Data
- Title（参考訳）: スパースデータを用いたエージェントに基づく探索・救助のための予測確率密度マッピング
- Authors: Jan-Hendrik Ewers, David Anderson, Douglas Thomson,
- Abstract要約: 本研究では,失明者の多様な心理的プロファイルを再現するエージェントベースモデルを提案する。
このモデルにより、エージェントは自律的に意思決定をしながら現実世界の風景をナビゲートできる。
本研究は, 探索・救助作業に使用可能な柔軟なエージェントを導入し, 各種地理的位置の適応性を提供する。
- 参考スコア（独自算出の注目度）: 0.294944680995069
- License:
- Abstract: Predicting the location where a lost person could be found is crucial for search and rescue operations with limited resources. To improve the precision and efficiency of these predictions, simulated agents can be created to emulate the behavior of the lost person. Within this study, we introduce an innovative agent-based model designed to replicate diverse psychological profiles of lost persons, allowing these agents to navigate real-world landscapes while making decisions autonomously without the need for location-specific training. The probability distribution map depicting the potential location of the lost person emerges through a combination of Monte Carlo simulations and mobility-time-based sampling. Validation of the model is achieved using real-world Search and Rescue data to train a Gaussian Process model. This allows generalization of the data to sample initial starting points for the agents during validation. Comparative analysis with historical data showcases promising outcomes relative to alternative methods. This work introduces a flexible agent that can be employed in search and rescue operations, offering adaptability across various geographical locations.
- Abstract（参考訳）: 行方不明者が見つかる場所を予測することは、限られた資源で捜索・救助活動に不可欠である。
これらの予測の精度と効率を改善するために、模擬エージェントを作成し、失われた人の振る舞いをエミュレートする。
本研究では,失われた人物の多様な心理的プロファイルを再現する革新的なエージェントベースモデルを導入し,これらのエージェントが現実の風景をナビゲートしながら,位置特化訓練を必要とせずに自律的に意思決定を行えるようにした。
失われた人物の潜在的な位置を示す確率分布マップはモンテカルロシミュレーションと移動時間に基づくサンプリングの組み合わせによって現れる。
モデルの有効性は,ガウス過程モデルをトレーニングするために,現実の検索と救助データを用いて達成される。
これにより、データの一般化により、バリデーション中にエージェントの初期開始点をサンプリングすることができる。
過去のデータとの比較分析では、代替手法と比較して有望な結果が示されている。
本研究は, 探索・救助作業に使用可能な柔軟なエージェントを導入し, 各種地理的位置の適応性を提供する。
関連論文リスト
- Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Distributional Black-Box Model Inversion Attack with Multi-Agent Reinforcement Learning [19.200221582814518]
本稿では,ターゲットのプライバシデータを検索する確率的潜在空間を構築することで,DBB-MI(Distributedal Black-Box Model Inversion)攻撃を提案する。
潜在確率分布は、潜在空間におけるターゲットプライバシデータと密接に一致しているため、回収されたデータは、ターゲットモデルのトレーニングサンプルのプライバシを著しくリークする。
多様なデータセットやネットワーク上で行った実験から,現在のDBB-MIは,攻撃精度,Kアレスト近傍の特徴距離,Pak Signal-to-Noise比よりも優れた性能を示している。
論文 参考訳（メタデータ） (2024-04-22T04:18:38Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Zero-shot Imitation Policy via Search in Demonstration Dataset [0.16817021284806563]
行動クローンは、ポリシーを学ぶためにデモのデータセットを使用する。
本稿では,事前学習した基礎モデルの潜在空間を用いて,実演データセットをインデックス化することを提案する。
提案手法は,マインクラフト環境において,有意義なデモンストレーションを効果的に再現し,エージェントの人間的行動を示す。
論文 参考訳（メタデータ） (2024-01-29T18:38:29Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。
モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
論文 参考訳（メタデータ） (2023-05-23T09:46:54Z) - Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced
Dataset and Benchmark [62.997667081978825]
本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。
データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
論文 参考訳（メタデータ） (2022-05-20T21:15:26Z) - Sampling Strategy for Fine-Tuning Segmentation Models to Crisis Area
under Scarcity of Data [0.76146285961466]
本研究では,推定モデルとサンプル特性に基づいて,微調整中のデータ収集をガイドする手法を提案する。
我々は,ビルディング検出のリモートセンシングアプリケーションにおいて,セマンティックセグメンテーション(U-Net)の深層学習モデルに適用した。
論文 参考訳（メタデータ） (2022-02-09T23:16:58Z) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳（メタデータ） (2021-12-13T13:19:45Z) - Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks:
Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。
容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。
モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文 参考訳（メタデータ） (2021-03-18T11:34:08Z) - Predicting Human Strategies in Simulated Search and Rescue Task [2.801609183344662]
捜索救助のシナリオでは、救助隊は環境と探索戦略について異なる知識を持っているかもしれない。
我々は,その軌道観測に基づく救助者のモデルを構築し,その戦略を予測する。
計算手法の予測精度は, 人間の観測者に比べて高い結果を示した。
論文 参考訳（メタデータ） (2020-11-15T23:24:23Z)
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。