論文の概要: DREAM: Domain-aware Reasoning for Efficient Autonomous Underwater Monitoring

• arxiv url: http://arxiv.org/abs/2509.13666v1
• Date: Wed, 17 Sep 2025 03:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.705759
• Title: DREAM: Domain-aware Reasoning for Efficient Autonomous Underwater Monitoring
• Title（参考訳）: DREAM: 自律型水中モニタリングのためのドメイン認識推論
• Authors: Zhenqi Wu, Abhinav Modi, Angelos Mavrogiannis, Kaustubh Joshi, Nikhil Chopra, Yiannis Aloimonos, Nare Karapetyan, Ioannis Rekleitis, Xiaomin Lin,
• Abstract要約: 本稿では,長期水中探査および生息環境モニタリングのための視覚言語モデル(VLM)誘導自律フレームワークであるDREAMについて述べる。 カキモニタリングタスクでは、我々のフレームワークは、同じ量のカキのベースラインよりも31.5%の時間を要する。 難破現場では、我々のフレームワークは衝突なしに難破船を探索、地図化することに成功し、バニラモデルよりも27.5%のステップを要した。
• 参考スコア（独自算出の注目度）: 14.347123589187964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ocean is warming and acidifying, increasing the risk of mass mortality events for temperature-sensitive shellfish such as oysters. This motivates the development of long-term monitoring systems. However, human labor is costly and long-duration underwater work is highly hazardous, thus favoring robotic solutions as a safer and more efficient option. To enable underwater robots to make real-time, environment-aware decisions without human intervention, we must equip them with an intelligent "brain." This highlights the need for persistent,wide-area, and low-cost benthic monitoring. To this end, we present DREAM, a Vision Language Model (VLM)-guided autonomy framework for long-term underwater exploration and habitat monitoring. The results show that our framework is highly efficient in finding and exploring target objects (e.g., oysters, shipwrecks) without prior location information. In the oyster-monitoring task, our framework takes 31.5% less time than the previous baseline with the same amount of oysters. Compared to the vanilla VLM, it uses 23% fewer steps while covering 8.88% more oysters. In shipwreck scenes, our framework successfully explores and maps the wreck without collisions, requiring 27.5% fewer steps than the vanilla model and achieving 100% coverage, while the vanilla model achieves 60.23% average coverage in our shipwreck environments.
• Abstract（参考訳）: 海洋は温暖化と酸性化が進み、カキなどの温度に敏感な貝類の大量死のリスクが高まる。 これは長期監視システムの開発を動機付けている。 しかし、人的労働はコストが高く、長期の水中作業は非常に危険であり、より安全で効率的な選択肢としてロボットソリューションを好んでいる。 水中ロボットが人間の介入なしにリアルタイムで環境に配慮した意思決定を可能にするためには、インテリジェントな「脳」を装備する必要がある。 これは、永続的で、広範囲で、低コストなベントニックモニタリングの必要性を強調している。 そこで我々は,長期水中探査および生息環境モニタリングのための視覚言語モデル(VLM)誘導自律フレームワークであるDREAMを提案する。 その結果,本フレームワークは,事前の位置情報を使わずに,対象物(カキ,難破船など)の発見と探索に極めて効率的であることが示唆された。 カキモニタリングタスクでは、我々のフレームワークは同じ量のカキのベースラインよりも31.5%の時間を要する。 バニラ VLM と比較して23%少ない歩数で8.88%のカキを覆っている。 難破船の現場では、我々のフレームワークは衝突なしに難破船を探査、地図化することに成功し、バニラモデルよりも27.5%のステップを削減し、100%のカバレッジを達成する一方、バニラモデルは船難船の環境における平均カバレッジを60.23%達成した。

関連論文リスト

• ForesightNav: Learning Scene Imagination for Efficient Exploration [57.49417653636244]
  人間の想像力と推論に触発された新しい探索戦略であるForesightNavを提案する。 提案手法は,ロボットエージェントに,未探索領域の占有状況や意味的詳細などの文脈情報を予測する能力を備える。 本研究では,Structured3Dデータセットを用いた想像力に基づくアプローチの有効性を検証し,シーン形状の予測において,正確な占有率予測と優れた性能を示す。
  論文  参考訳（メタデータ） (2025-04-22T17:38:38Z)
• Benchmarking Online Object Trackers for Underwater Robot Position Locking Applications [0.9642500063568189]
  視覚に基づく水中ロボットのナビゲーションと制御は、最近、水中環境で直面する多くの課題に対処するために注目を集めている。 本稿では,ROVプラットフォームにおける視覚ベースの位置ロックのための,機械学習(ML)ベースの1ショットオブジェクト追跡アルゴリズムを7つ以上導入した,厳密な統一ベンチマークを提案する。 提案システムは,物体追跡アルゴリズムの出力結果を用いて,外乱に対するROVの位置を自動的に補正する。
  論文  参考訳（メタデータ） (2025-02-23T13:27:34Z)
• ODYSSEE: Oyster Detection Yielded by Sensor Systems on Edge Electronics [14.935296890629795]
  オイスターは沿岸生態系において重要なキーストーンであり、経済的、環境的、文化的な利益をもたらす。 現在の監視戦略は、しばしば破壊的な方法に依存している。 本研究では, 安定拡散を用いた新しいパイプラインを提案し, 現実的な合成データを用いて収集した実データセットを増強する。
  論文  参考訳（メタデータ） (2024-09-11T04:31:09Z)
• CoNav: A Benchmark for Human-Centered Collaborative Navigation [66.6268966718022]
  協調ナビゲーション(CoNav)ベンチマークを提案する。 われわれのCoNavは、現実的で多様な人間の活動を伴う3Dナビゲーション環境を構築するという重要な課題に取り組む。 本研究では,長期的意図と短期的意図の両方を推論する意図認識エージェントを提案する。
  論文  参考訳（メタデータ） (2024-06-04T15:44:25Z)
• Aeolus Ocean -- A simulation environment for the autonomous COLREG-compliant navigation of Unmanned Surface Vehicles using Deep Reinforcement Learning and Maritime Object Detection [0.0]
  海上部門における無人水上機(USV)の航行自律性は、より安全な水と運用コストの削減につながる可能性がある。 本稿では, 現実的な海洋シミュレーション環境において, COLREG 準拠の DRL を用いた衝突回避航法システムの開発について述べる。
  論文  参考訳（メタデータ） (2023-07-13T11:20:18Z)
• Semi-Supervised Visual Tracking of Marine Animals using Autonomous Underwater Vehicles [0.40498500266986387]
  海洋生物のその場での視覚観察は、行動的理解と周囲の生態系との関係の発達に不可欠である。 近年、カメラとGPU機能を備えた組み込みコンピュータを備えた自律型水中車両が様々な用途で開発されている。 半教師付き追跡アルゴリズムは、完全な教師付き追跡アルゴリズムよりも少ないデータを必要とするため、代替の追跡ソリューションを提供することができる。
  論文  参考訳（メタデータ） (2023-02-14T21:08:52Z)
• Online Stochastic Variational Gaussian Process Mapping for Large-Scale SLAM in Real Time [1.3387004254920498]
  AUVは、科学と産業の両方の分野で、水中探査と海底マッピングの標準ツールになりつつある。 潜水能力は浮き彫りで、船体に近づきにくい地域まで到達し、海底に近いデータを収集することができる。 ナビゲーションの自律性は、その世界位置の死亡推定(DR)の正確さによって制限され続けており、地域とGPS信号の事前マップが欠如しているため、著しく制限されている。
  論文  参考訳（メタデータ） (2022-11-10T14:21:48Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)
• Active Visual Information Gathering for Vision-Language Navigation [115.40768457718325]
  視覚言語ナビゲーション(VLN)は、エージェントがフォトリアリスティックな環境の中でナビゲーションの指示を行うためのタスクである。 VLNの重要な課題の1つは、曖昧な指示による不確実性を緩和し、環境の観察を不十分にすることで、堅牢なナビゲーションを行う方法である。 この研究は、人間のナビゲーション行動からインスピレーションを得て、よりインテリジェントなVLNポリシーのためのアクティブな情報収集能力を持つエージェントを提供する。
  論文  参考訳（メタデータ） (2020-07-15T23:54:20Z)

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。