論文の概要: Multi-robot Multi-source Localization in Complex Flows with Physics-Preserving Environment Models

• arxiv url: http://arxiv.org/abs/2509.14228v1
• Date: Wed, 17 Sep 2025 17:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.951694
• Title: Multi-robot Multi-source Localization in Complex Flows with Physics-Preserving Environment Models
• Title（参考訳）: 物理保存環境モデルを用いた複雑流れにおけるマルチロボットマルチソース位置決め
• Authors: Benjamin Shaffer, Victoria Edwards, Brooks Kinch, Nathaniel Trask, M. Ani Hsieh,
• Abstract要約: 複雑な流れにおけるソースのローカライゼーションは、化学漏れのソースのローカライズやオイル流出の分散の追跡を行うマルチロボットチームにとって重要な課題である。 本稿では,各ロボットが学習した環境の有限要素モデルを持つ,ソースローカライゼーションのための分散移動センシングフレームワークを提案する。 提案手法は,ベースラインセンシング手法よりも高速な誤差低減を実現し,ベースライン機械学習手法よりも高精度なソースローカライゼーションを実現する。
• 参考スコア（独自算出の注目度）: 7.60216127875876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source localization in a complex flow poses a significant challenge for multi-robot teams tasked with localizing the source of chemical leaks or tracking the dispersion of an oil spill. The flow dynamics can be time-varying and chaotic, resulting in sporadic and intermittent sensor readings, and complex environmental geometries further complicate a team's ability to model and predict the dispersion. To accurately account for the physical processes that drive the dispersion dynamics, robots must have access to computationally intensive numerical models, which can be difficult when onboard computation is limited. We present a distributed mobile sensing framework for source localization in which each robot carries a machine-learned, finite element model of its environment to guide information-based sampling. The models are used to evaluate an approximate mutual information criterion to drive an infotaxis control strategy, which selects sensing regions that are expected to maximize informativeness for the source localization objective. Our approach achieves faster error reduction compared to baseline sensing strategies and results in more accurate source localization compared to baseline machine learning approaches.
• Abstract（参考訳）: 複雑な流れにおけるソースのローカライゼーションは、化学漏れのソースのローカライズやオイル流出の分散の追跡を行うマルチロボットチームにとって重要な課題である。 流れのダイナミクスは時間的変化がありカオスであり、結果として散発的かつ断続的なセンサーの読み取りが起こり、複雑な環境測地はチームの分散をモデル化し予測する能力をさらに複雑にする。 分散力学を駆動する物理過程を正確に説明するためには、ロボットは計算集約的な数値モデルにアクセスできなければならない。 本稿では,各ロボットが学習した環境の有限要素モデルを持ち,情報に基づくサンプリングを誘導する,ソースローカライゼーションのための分散移動センシングフレームワークを提案する。 これらのモデルを用いて、ソース位置化目標に対する情報伝達性を最大化することが期待されるセンシング領域を選択するインフォタキシー制御戦略を駆動するための、近似的な相互情報基準を評価する。 提案手法は,ベースラインセンシング手法よりも高速な誤差低減を実現し,ベースライン機械学習手法よりも高精度なソースローカライゼーションを実現する。

関連論文リスト

• Learning Causal Structure Distributions for Robust Planning [53.753366558072806]
  構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。 これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。 本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
  論文  参考訳（メタデータ） (2025-08-08T22:43:17Z)
• A Foundation Model for Massive MIMO Precoding with an Adaptive per-User Rate-Power Tradeoff [4.8310710966636545]
  本稿では,mMIMOプリコーディングのためのトランスフォーマーベース基礎モデルを提案する。 エネルギー消費が等しく、提案した基礎モデルのゼロショット展開はゼロ強制よりも著しく優れ、重み付き平均二乗誤差性能を8倍の複雑さでアプローチする。 我々の研究は、データの可用性とトレーニングの複雑さの課題に対処することで、DLベースのソリューションを実践的に実装することを可能にする。
  論文  参考訳（メタデータ） (2025-07-24T17:10:06Z)
• Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
  本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。 グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
  論文  参考訳（メタデータ） (2024-09-23T11:01:18Z)
• Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
  目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。 このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
  論文  参考訳（メタデータ） (2024-08-07T14:32:41Z)
• Federated Hybrid Model Pruning through Loss Landscape Exploration [17.589308358508863]
  フェデレートラーニング(FL)はこの変革の中心にある。 適応型ハイブリッドプルーニング手法によりFLを最適化する新しいフレームワークであるAutoFLIPを提案する。 計算オーバーヘッドの48.8%削減,通信コストの35.5%削減,グローバルな精度の向上など,AutoFLIPは定量的なメリットを提供する。
  論文  参考訳（メタデータ） (2024-05-16T17:27:41Z)
• Learning-based adaption of robotic friction models [50.72489248401199]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Sensitivity Prewarping for Local Surrogate Modeling [0.3222802562733786]
  本稿では,グローバル感度解析からサロゲートモデルへ情報を取り込む枠組みを提案する。 ワープシミュレータ」がすべての入力方向に対して等しく敏感であるように入力ワーピングを行い、ローカルモデルがローカルダイナミクスに集中できるようにします。
  論文  参考訳（メタデータ） (2021-01-15T20:42:32Z)

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。