論文の概要: Towards Human Engagement with Realistic AI Combat Pilots

• arxiv url: http://arxiv.org/abs/2509.26002v1
• Date: Tue, 30 Sep 2025 09:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.492786
• Title: Towards Human Engagement with Realistic AI Combat Pilots
• Title（参考訳）: リアルAIコンバットパイロットによる人間エンゲージメントを目指して
• Authors: Ardian Selmonaj, Giacomo Del Rio, Adrian Schneider, Alessandro Antonucci,
• Abstract要約: 本研究では,3次元空戦シナリオにおける戦闘機の制御訓練を行うエージェントとユーザとのリアルタイムインタラクションを実現するシステムを提案する。 エージェントはマルチエージェント強化学習を使用して専用の環境で訓練される。 訓練されたエージェントをVR-Forcesにシームレスに展開するための通信リンクが開発されている。
• 参考スコア（独自算出の注目度）: 39.38793354038274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a system that enables real-time interaction between human users and agents trained to control fighter jets in simulated 3D air combat scenarios. The agents are trained in a dedicated environment using Multi-Agent Reinforcement Learning. A communication link is developed to allow seamless deployment of trained agents into VR-Forces, a widely used defense simulation tool for realistic tactical scenarios. This integration allows mixed simulations where human-controlled entities engage with intelligent agents exhibiting distinct combat behaviors. Our interaction model creates new opportunities for human-agent teaming, immersive training, and the exploration of innovative tactics in defense contexts.
• Abstract（参考訳）: 本研究では,3次元空戦シナリオにおける戦闘機の制御訓練を行うエージェントとユーザとのリアルタイムインタラクションを実現するシステムを提案する。 エージェントはマルチエージェント強化学習を使用して専用の環境で訓練される。 訓練されたエージェントをVR-Forcesにシームレスに展開するための通信リンクが開発されている。 この統合により、人間の制御された実体が異なる戦闘行動を示す知的エージェントと関わるような混合シミュレーションが可能になる。 私たちのインタラクションモデルは、人間とエージェントのチーム化、没入的なトレーニング、防衛状況における革新的な戦術の探求のための新たな機会を生み出します。

関連論文リスト

• Learning to Communicate in Multi-Agent Reinforcement Learning for Autonomous Cyber Defence [4.267944967869789]
  本稿では,サイバーオペレーション研究ジムでトレーニングゲームを行うことにより,防衛エージェントが差し迫ったサイバー脅威に対してコミュニケーションし,防御することを学ぶゲーム設計を提案する。 これらの自律エージェントが学んだ戦術的方針は、サイバー脅威を避けるためのインシデント対応において、人間の専門家に似ています。
  論文  参考訳（メタデータ） (2025-07-19T15:16:24Z)
• Improving Human-AI Coordination through Online Adversarial Training and Generative Models [36.54154192505703]
  新たな人間に一般化するには、人間の行動の多様性を捉えたデータに関する訓練が必要である。 敵対的トレーニングは、動的データ生成を可能にする有望な方法であり、エージェントが堅牢であることを保証する。 本稿では、事前学習した生成モデルを用いて、有効な協調エージェント政策と敵の訓練をシミュレートし、後悔を最大化する新しい戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-21T21:53:00Z)
• AVA: Attentive VLM Agent for Mastering StarCraft II [56.07921367623274]
  Intentive VLM Agent (AVA) は、人工エージェントの認識と人間のゲームプレイ体験を一致させるマルチモーダルのStarCraft IIエージェントである。 我々のエージェントは、ゲームプレイ中に人間の認知過程をより密にシミュレートするRGB視覚入力と自然言語観察を組み込むことにより、この制限に対処する。
  論文  参考訳（メタデータ） (2025-03-07T12:54:25Z)
• Exploring reinforcement learning for incident response in autonomous military vehicles [0.62914438169038]
  このトピックの研究は、軍事目的のためにこれらの車両の採用を加速するために必要とされる能力の1つとして、自律的なサイバー防衛を指摘している。 本稿では,無人車両に対するサイバー攻撃に自律的に対応できるエージェントを,軍事作戦の文脈で訓練するための強化学習について検討する。 我々の研究の重要な貢献は、強化学習が、単純なシミュレーション環境で訓練された場合でも、実際の無人地上車両上で自律的なサイバー防衛に使用できるエージェントを訓練するための、実行可能なアプローチであることを実証することである。
  論文  参考訳（メタデータ） (2024-10-28T18:08:23Z)
• War Elephants: Rethinking Combat AI and Human Oversight [0.5898893619901381]
  我々は、専門家のためのAIの置換を超越して、補完的な人間と機械の能力が混ざり合ったアプローチに目を向ける。 補完の原則に基づくアプローチによって、致命的な自律システムを管理するためのフレキシブルでダイナミックなアプローチを提供します。 このアプローチにより、より倫理的になり、機械の速度で運用され、より幅広いダイナミックな戦場条件に対応することができる戦闘システムの開発が可能になる。
  論文  参考訳（メタデータ） (2024-04-30T14:07:57Z)
• Agent AI: Surveying the Horizons of Multimodal Interaction [83.18367129924997]
  エージェントAI(Agent AI)とは、視覚刺激や言語入力、その他の環境データを知覚できる対話型システムである。 我々は,バーチャルリアリティやシミュレートされたシーンを容易に作成し,仮想環境内に具体化されたエージェントと対話できる未来を構想する。
  論文  参考訳（メタデータ） (2024-01-07T19:11:18Z)
• Autonomous Agent for Beyond Visual Range Air Combat: A Deep Reinforcement Learning Approach [0.2578242050187029]
  本研究は, 遠近視域(BVR)空戦シミュレーション環境において動作可能な深層強化学習に基づくエージェントの開発に寄与する。 本稿では,BVR戦闘におけるその役割を学習し,改善することができる高性能戦闘機のエージェント構築の概要について述べる。 また、仮想シミュレーションを用いて実際のパイロットの能力を調べ、訓練されたエージェントと同じ環境で対話し、パフォーマンスを比較することを望んでいる。
  論文  参考訳（メタデータ） (2023-04-19T13:54:37Z)
• Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
  本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。 本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。 我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
  論文  参考訳（メタデータ） (2021-10-04T12:20:46Z)

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。