論文の概要: Bayesian-Driven Graph Reasoning for Active Radio Map Construction

• arxiv url: http://arxiv.org/abs/2508.09142v1
• Date: Tue, 29 Jul 2025 03:32:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 22:58:06.172148
• Title: Bayesian-Driven Graph Reasoning for Active Radio Map Construction
• Title（参考訳）: アクティブ無線マップ構築のためのベイズ駆動グラフ推論
• Authors: Wenlihan Lu, Shijian Gao, Miaowen Wen, Yuxuan Liang, Chan-Byoung Chae, H. Vincent Poor,
• Abstract要約: 本稿では,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性を考慮した無線地図再構成フレームワークを提案する。 提案手法は,(1)空間的不確実性をリアルタイムで推定するベイズニューラルネットワーク,(2)グローバル推論を行う注意に基づく強化学習ポリシの2つの重要な深層学習要素を統合した。 実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。
• 参考スコア（独自算出の注目度）: 70.25485502430104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the emergence of the low-altitude economy, radio maps have become essential for ensuring reliable wireless connectivity to aerial platforms. Autonomous aerial agents are commonly deployed for data collection using waypoint-based navigation; however, their limited battery capacity significantly constrains coverage and efficiency. To address this, we propose an uncertainty-aware radio map (URAM) reconstruction framework that explicitly leverages graph-based reasoning tailored for waypoint navigation. Our approach integrates two key deep learning components: (1) a Bayesian neural network that estimates spatial uncertainty in real time, and (2) an attention-based reinforcement learning policy that performs global reasoning over a probabilistic roadmap, using uncertainty estimates to plan informative and energy-efficient trajectories. This graph-based reasoning enables intelligent, non-myopic trajectory planning, guiding agents toward the most informative regions while satisfying safety constraints. Experimental results show that URAM improves reconstruction accuracy by up to 34% over existing baselines.
• Abstract（参考訳）: 低高度経済の出現に伴い、無線地図は航空プラットフォームへの信頼性の高い無線接続を確保するために欠かせないものとなっている。 自律航空エージェントは、一般的にウェイポイントベースのナビゲーションを使用してデータ収集のために配備されるが、その制限されたバッテリー容量は、カバレッジと効率を著しく制限する。 そこで我々は,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性対応無線マップ (URAM) 再構築フレームワークを提案する。 提案手法は,(1)空間的不確かさをリアルタイムで推定するベイズニューラルネットワーク,(2)確率的ロードマップ上でグローバルな推論を行う注意に基づく強化学習ポリシ,の2つの重要な深層学習要素を統合する。 このグラフに基づく推論は、安全制約を満たしつつ、最も情報性の高い領域にエージェントを誘導する、インテリジェントで非明視的軌道計画を可能にする。 実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。

関連論文リスト

• Unified Linear Parametric Map Modeling and Perception-aware Trajectory Planning for Mobile Robotics [1.7495208770207367]
  本稿では,高次元空間にデータをマッピングする軽量な線形パラメトリックマップを提案する。 UAVでは,Euclidean Signed Distance Field (ESDF) マップを用いた。 UGVでは、モデルは地形を特徴づけ、クローズドフォーム勾配を提供し、オンラインプランニングによって大きな穴を回避できる。
  論文  参考訳（メタデータ） (2025-07-12T16:39:19Z)
• 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)
• Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
  本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。 サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
  論文  参考訳（メタデータ） (2024-09-14T05:12:14Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• Language-Guided 3D Object Detection in Point Cloud for Autonomous Driving [91.91552963872596]
  我々は,LiDARグラウンディングと呼ばれるマルチモーダルな視覚的グラウンドニングタスクを提案する。 言語特徴を持つLiDARベースの物体検出器を共同で学習し、検出器から直接対象領域を予測する。 私たちの研究は、LiDARベースの接地作業に関する深い洞察を提供しており、自動運転コミュニティにとって有望な方向性を示すものと期待しています。
  論文  参考訳（メタデータ） (2023-05-25T06:22:10Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• 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。