論文の概要: Wake-Informed 3D Path Planning for Autonomous Underwater Vehicles Using A* and Neural Network Approximations

• arxiv url: http://arxiv.org/abs/2502.01918v1
• Date: Tue, 04 Feb 2025 01:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:10.794108
• Title: Wake-Informed 3D Path Planning for Autonomous Underwater Vehicles Using A* and Neural Network Approximations
• Title（参考訳）: A*とニューラルネットワークを用いた水中自律走行車のウェイクインフォームド3次元経路計画
• Authors: Zachary Cooper-Baldock, Stephen Turnock, Karl Sammut,
• Abstract要約: 従来の経路計画手法では、詳細なウェイク構造を組み込むことができず、結果としてエネルギー消費が増加し、制御安定性が低下し、安全性のリスクが高まる。 本稿では,局所的な覚醒効果と大域的な電流を計画アルゴリズムに統合した新しい3次元経路計画手法を提案する。 その結果、ウェイクインフォームされたA*プランナーは、常に最低エネルギー消費を達成し、高速度領域との遭遇を最小限に抑えることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Autonomous Underwater Vehicles (AUVs) encounter significant energy, control and navigation challenges in complex underwater environments, particularly during close-proximity operations, such as launch and recovery (LAR), where fluid interactions and wake effects present additional navigational and energy challenges. Traditional path planning methods fail to incorporate these detailed wake structures, resulting in increased energy consumption, reduced control stability, and heightened safety risks. This paper presents a novel wake-informed, 3D path planning approach that fully integrates localized wake effects and global currents into the planning algorithm. Two variants of the A* algorithm - a current-informed planner and a wake-informed planner - are created to assess its validity and two neural network models are then trained to approximate these planners for real-time applications. Both the A* planners and NN models are evaluated using important metrics such as energy expenditure, path length, and encounters with high-velocity and turbulent regions. The results demonstrate a wake-informed A* planner consistently achieves the lowest energy expenditure and minimizes encounters with high-velocity regions, reducing energy consumption by up to 11.3%. The neural network models are observed to offer computational speedup of 6 orders of magnitude, but exhibit 4.51 - 19.79% higher energy expenditures and 9.81 - 24.38% less optimal paths. These findings underscore the importance of incorporating detailed wake structures into traditional path planning algorithms and the benefits of neural network approximations to enhance energy efficiency and operational safety for AUVs in complex 3D domains.
• Abstract（参考訳）: 自律型水中車両(AUV)は複雑な水中環境において重要なエネルギー、制御、航法上の課題に遭遇する。 従来の経路計画手法ではこれらの詳細なウェイク構造を組み込むことができず、エネルギー消費が増加し、制御安定性が低下し、安全リスクが上昇した。 本稿では,局所的な覚醒効果と大域的な電流を計画アルゴリズムに完全に統合した新しい3次元経路計画手法を提案する。 A*アルゴリズムの2つの変種(現在のインフォームドプランナーとウェイクインフォームドプランナー)が、その妥当性を評価するために作成され、2つのニューラルネットワークモデルが、これらのプランナーをリアルタイムアプリケーションに近似するように訓練される。 A*プランナーとNNモデルの両方は、エネルギー消費、経路長、高速度および乱流領域との遭遇といった重要な指標を用いて評価される。 その結果、ウェイクインフォームされたA*プランナーは、常に最低エネルギー消費を達成し、高速度領域との遭遇を最小限に抑え、エネルギー消費を最大11.3%削減することを示した。 ニューラルネットワークモデルは6桁の計算速度を提供するが、エネルギー支出は4.51～19.79%、最適パスは9.81～24.38%減少している。 これらの知見は、複雑な3D領域におけるAUVのエネルギー効率と運転安全性を高めるために、従来の経路計画アルゴリズムに詳細なウェイク構造を組み込むことの重要性とニューラルネットワーク近似の利点を浮き彫りにした。

関連論文リスト

• Enhancing UAV Path Planning Efficiency Through Accelerated Learning [3.216130900831975]
  本研究では,UAV無線通信中継の経路計画のための学習アルゴリズムの開発を目的とする。 ストレージ要件を削減し、Deep Reinforcement Learning(DRL)の収束を加速することができる。
  論文  参考訳（メタデータ） (2025-01-17T12:05:24Z)
• SCoTT: Wireless-Aware Path Planning with Vision Language Models and Strategic Chains-of-Thought [78.53885607559958]
  複雑な無線環境における経路計画を実現するために,視覚言語モデル(VLM)を用いた新しい手法を提案する。 この目的のために、実世界の無線レイトレーシングデータを用いたデジタルツインからの洞察を探索する。 その結果, SCoTT はDP-WA* と比較して非常に近い平均経路ゲインを実現し, 同時に一貫した経路長が得られることがわかった。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• Navigation in a simplified Urban Flow through Deep Reinforcement Learning [0.9217021281095907]
  都市環境における無人航空機(UAV)は、環境への影響を最小限に抑える戦略を必要とする。 我々の目標は、都市環境下での無人航法を可能にするDRLアルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2024-09-26T15:05:15Z)
• Measuring the Energy Consumption and Efficiency of Deep Neural Networks: An Empirical Analysis and Design Recommendations [0.49478969093606673]
  BUTTER-Eデータセットは、BUTTER Empirical Deep Learningデータセットの拡張である。 このデータセットは、データセットのサイズ、ネットワーク構造、エネルギー使用の複雑な関係を明らかにする。 本稿では,ネットワークサイズ,コンピューティング,メモリ階層を考慮した,単純かつ効率的なエネルギーモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T00:27:19Z)
• Current Effect-eliminated Optimal Target Assignment and Motion Planning for a Multi-UUV System [4.62588687215906]
  本稿では,海流がもたらす複雑さと課題に対処する革新的なアプローチ(CBNNTAP)を提案する。 バイオインスパイアされたニューラルネットワーク(BINN)アプローチを取り入れ、個々のUUVの最も効率的なパスを予測する。 CBNNTAPアルゴリズムにおける重要な革新は、海流の破壊的な影響に対処する能力である。
  論文  参考訳（メタデータ） (2024-01-10T19:38:25Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Neural Motion Planning for Autonomous Parking [6.1805402105389895]
  本稿では,より深い生成ネットワークと従来の動き計画手法を組み合わせたハイブリッドな動き計画手法を提案する。 提案手法は与えられた状態の表現を効果的に学習し,アルゴリズムの性能向上を示す。
  論文  参考訳（メタデータ） (2021-11-12T14:29:38Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
  本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。 本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。 シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-23T03:33:29Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。