論文の概要: U2UData-2: A Scalable Swarm UAVs Autonomous Flight Dataset for Long-horizon Tasks

• arxiv url: http://arxiv.org/abs/2509.00055v1
• Date: Mon, 25 Aug 2025 07:39:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.034559
• Title: U2UData-2: A Scalable Swarm UAVs Autonomous Flight Dataset for Long-horizon Tasks
• Title（参考訳）: U2UData-2:長距離タスクのためのスケーラブルなSwarm UAVs自律飛行データセット
• Authors: Tongtong Feng, Xin Wang, Feilin Han, Leping Zhang, Wenwu Zhu,
• Abstract要約: 本稿では,U2UData-2を提案する。U2UData-2は,Long-Horizonタスクのための大規模なUAV自律飛行データセットである。 データセットは、12のシーン、720のトレース、120時間毎の600秒毎の軌道、4.32MのLiDARフレーム、12.96MのRGBフレームを含む、LHタスクのための自動共同飛行で15機のUAVによって収集される。 U2UData-2はまた、野生生物保護のためのLHタスクを導入し、9つのSOTAモデルで包括的なベンチマークを提供する。
• 参考スコア（独自算出の注目度）: 28.74660215818629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Swarm UAV autonomous flight for Long-Horizon (LH) tasks is crucial for advancing the low-altitude economy. However, existing methods focus only on specific basic tasks due to dataset limitations, failing in real-world deployment for LH tasks. LH tasks are not mere concatenations of basic tasks, requiring handling long-term dependencies, maintaining persistent states, and adapting to dynamic goal shifts. This paper presents U2UData-2, the first large-scale swarm UAV autonomous flight dataset for LH tasks and the first scalable swarm UAV data online collection and algorithm closed-loop verification platform. The dataset is captured by 15 UAVs in autonomous collaborative flights for LH tasks, comprising 12 scenes, 720 traces, 120 hours, 600 seconds per trajectory, 4.32M LiDAR frames, and 12.96M RGB frames. This dataset also includes brightness, temperature, humidity, smoke, and airflow values covering all flight routes. The platform supports the customization of simulators, UAVs, sensors, flight algorithms, formation modes, and LH tasks. Through a visual control window, this platform allows users to collect customized datasets through one-click deployment online and to verify algorithms by closed-loop simulation. U2UData-2 also introduces an LH task for wildlife conservation and provides comprehensive benchmarks with 9 SOTA models. U2UData-2 can be found at https://fengtt42.github.io/U2UData-2/.
• Abstract（参考訳）: 低高度経済を推進するためには、LH(Long-Horizon)タスクのためのSwarm UAV自律飛行が不可欠である。 しかし、既存のメソッドはデータセットの制限やLHタスクの実際のデプロイに失敗したため、特定の基本的なタスクにのみフォーカスする。 LHタスクは、単なる基本的なタスクの結合ではなく、長期的な依存関係の処理、永続状態の維持、動的目標シフトへの適応を必要とします。 本稿では、LHタスクのための最初の大規模UAV自律飛行データセットであるU2UData-2と、オンラインコレクションおよびアルゴリズムクローズドループ検証プラットフォームであるU2UDataについて述べる。 データセットは、12のシーン、720のトレース、120時間毎の600秒毎の軌道、4.32MのLiDARフレーム、12.96MのRGBフレームを含む、LHタスクのための自動共同飛行で15機のUAVによって収集される。 このデータセットには、すべての飛行経路をカバーする明るさ、温度、湿度、煙、気流の値も含まれている。 このプラットフォームはシミュレータ、UAV、センサー、飛行アルゴリズム、フォーメーションモード、LHタスクのカスタマイズをサポートする。 このプラットフォームでは、ビジュアルコントロールウィンドウを通じて、ワンクリックのデプロイを通じてカスタマイズされたデータセットをオンラインで収集し、クローズドループシミュレーションによってアルゴリズムを検証することができる。 U2UData-2はまた、野生生物保護のためのLHタスクを導入し、9つのSOTAモデルで包括的なベンチマークを提供する。 U2UData-2はhttps://fengtt42.github.io/U2UData-2/で見ることができる。

関連論文リスト

• UAV-Flow Colosseo: A Real-World Benchmark for Flying-on-a-Word UAV Imitation Learning [39.07541452390107]
  無人航空機(UAV)は言語と対話するプラットフォームへと進化し、より直感的な人間とドローンの相互作用を可能にしている。 本研究では,この問題をFlying-on-a-Word(Flow)タスクとして形式化し,UAV模倣学習を効果的なアプローチとして導入する。 UAV-Flowは, 言語条件付き, きめ細かいUAV制御のための, 世界初の実世界のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-21T16:31:28Z)
• Towards Long-Horizon Vision-Language Navigation: Platform, Benchmark and Method [94.74003109176581]
  Long-Horizon Vision-Language Navigation (LH-VLN)は、連続したサブタスク間の長期計画と意思決定の一貫性を強調する新しいVLNタスクである。 我々のプラットフォーム、ベンチマーク、メソッドは、ロバストなデータ生成パイプライン、包括的なモデル評価データセット、合理的なメトリクス、新しいVLNモデルでLH-VLNを供給する。
  論文  参考訳（メタデータ） (2024-12-12T09:08:13Z)
• Concept-skill Transferability-based Data Selection for Large Vision-Language Models [56.0725292404808]
  視覚言語モデルを学習するための効果的でスケーラブルなデータ選択手法であるCOINCIDEを紹介する。 我々は,目標LVLMに必要な概念スキル構成を識別する小型モデルからの内部アクティベーションを用いて,トレーニングデータをクラスタ化する。 実験により、COINCIDEは8つの強いベースラインに対して、優れた性能とデータ選択効率を実現することが示された。
  論文  参考訳（メタデータ） (2024-06-16T16:15:20Z)
• Clustering-based Learning for UAV Tracking and Pose Estimation [0.0]
  本研究は,UAV追跡と2種類のLiDARを用いたポーズ推定のためのクラスタリングに基づく学習検出手法であるCL-Detを開発する。 まず、Livox AviaデータとLiDAR 360データのタイムスタンプを調整し、その後、関心のあるオブジェクト(OOI)のポイントクラウドを環境から分離します。 提案手法は,CVPR 2024 UG2+ Challengeの最終リーダーボードにおいて,競争力のあるポーズ推定性能を示し,第5位にランクインする。
  論文  参考訳（メタデータ） (2024-05-27T06:33:25Z)
• UAVD4L: A Large-Scale Dataset for UAV 6-DoF Localization [14.87295056434887]
  局所化のための大規模6-DoF UAVデータセット(UAVD4L)を提案する。 オフライン合成データ生成とオンラインビジュアルローカライゼーションからなる2段階6-DoFローカライゼーションパイプライン(UAVLoc)を開発した。 新しいデータセットの結果は,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-01-11T15:19:21Z)
• Data-Efficient Finetuning Using Cross-Task Nearest Neighbors [75.07773863013001]
  我々は、ラベル付きターゲットタスクの例を用いて、プロンプトを付加したマルチタスクデータのプールから、最も類似したラベル付きサンプルを検索する。 マルチタスク近傍におけるファインタニングモデルのアプローチは,データ効率が著しく向上する。
  論文  参考訳（メタデータ） (2022-12-01T00:53:04Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)

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。