論文の概要: Autonomous Underwater Cognitive System for Adaptive Navigation: A SLAM-Integrated Cognitive Architecture

• arxiv url: http://arxiv.org/abs/2511.11845v1
• Date: Fri, 14 Nov 2025 20:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.338958
• Title: Autonomous Underwater Cognitive System for Adaptive Navigation: A SLAM-Integrated Cognitive Architecture
• Title（参考訳）: 適応ナビゲーションのための自律型水中認知システム:SLAM統合認知アーキテクチャ
• Authors: K. A. I. N Jayarathne, R. M. N. M. Rathnayaka, D. P. S. S. Peiris,
• Abstract要約: 本稿では,複雑な海洋環境下での適応航法を実現するために,自律型水中認知システム(AUCS)を提案する。 AUCSは、動的オブジェクトと静的オブジェクトを区別するために、意味理解、適応センサー管理、メモリベースの学習を取り入れている。 この研究は、次世代の認知潜水システムの基礎を築き、深海探査における安全性、信頼性、自律性を改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep-sea exploration poses significant challenges, including disorientation, communication loss, and navigational failures in dynamic underwater environments. This paper presents an Autonomous Underwater Cognitive System (AUCS) that integrates Simultaneous Localization and Mapping (SLAM) with a Soar-based cognitive architecture to enable adaptive navigation in complex oceanic conditions. The system fuses multi-sensor data from SONAR, LiDAR, IMU, and DVL with cognitive reasoning modules for perception, attention, planning, and learning. Unlike conventional SLAM systems, AUCS incorporates semantic understanding, adaptive sensor management, and memory-based learning to differentiate between dynamic and static objects, reducing false loop closures and enhancing long-term map consistency. The proposed architecture demonstrates a complete perception-cognition-action-learning loop, allowing autonomous underwater vehicles to sense, reason, and adapt intelligently. This work lays a foundation for next-generation cognitive submersible systems, improving safety, reliability, and autonomy in deep-sea exploration.
• Abstract（参考訳）: 深海探査は、動的水中環境における方向転換、通信損失、航法障害など、重要な課題を提起する。 本稿では,複雑な海洋環境下での適応ナビゲーションを実現するために,SLAMとSoarベースの認知アーキテクチャを統合した自律水中認知システム(AUCS)を提案する。 このシステムは、SONAR、LiDAR、IMU、DVLのマルチセンサーデータを認識、注意、計画、学習のための認知推論モジュールに融合する。 従来のSLAMシステムとは異なり、AUCSは意味理解、適応センサー管理、メモリベースの学習を取り入れ、動的オブジェクトと静的オブジェクトを区別し、偽ループのクロージャを減らし、長期マップの一貫性を向上させる。 提案したアーキテクチャは、完全な認識-認識-行動-学習ループを示し、自律型水中車両が知的に知覚、理性、適応することができる。 この研究は、次世代の認知潜水システムの基礎を築き、深海探査における安全性、信頼性、自律性を改善した。

関連論文リスト

• DUViN: Diffusion-Based Underwater Visual Navigation via Knowledge-Transferred Depth Features [47.88998580611257]
  本研究では,知識伝達深度特性を用いた拡散型水中ビジュアルナビゲーションポリシーDUViNを提案する。 DuViNは、事前に構築された地図に頼ることなく、障害物を回避し、地形に対して安全かつ認識の高い高度を維持するよう車両を誘導する。 シミュレーションおよび実世界の水中環境における実験は、我々のアプローチの有効性と一般化を実証している。
  論文  参考訳（メタデータ） (2025-09-03T03:43:12Z)
• From reactive to cognitive: brain-inspired spatial intelligence for embodied agents [50.99942960312313]
  Brain-inspired Space Cognition for Navigation (BSC-Nav) は、エンボディエージェントにおける構造化空間メモリの構築と活用のための統合されたフレームワークである。 BSC-Navは、エゴセントリックな軌跡と文脈的手がかりからアロセントリックな認知マップを構築し、意味的目標に沿った空間的知識を動的に回収する。
  論文  参考訳（メタデータ） (2025-08-24T03:20:48Z)
• DORAEMON: Decentralized Ontology-aware Reliable Agent with Enhanced Memory Oriented Navigation [55.888688171010365]
  DORAEMONは、人間のナビゲーション機能を模倣したVentralとDorsal Streamsで構成される、認知にインスパイアされたフレームワークである。 我々は,DORAEMONをHM3D,MP3D,GOATのデータセット上で評価し,成功率(SR)と成功度(SPL)の測定値の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-28T04:46:13Z)
• PhysNav-DG: A Novel Adaptive Framework for Robust VLM-Sensor Fusion in Navigation Applications [0.0]
  PhysNav-DGは、古典的なセンサー融合と視覚言語モデルのセマンティックパワーを統合する新しいフレームワークである。 我々のデュアルブランチアーキテクチャは、マルチセンサー入力からナビゲーション動作を予測し、同時に詳細なチェーン・オブ・シークレットの説明を生成する。
  論文  参考訳（メタデータ） (2025-05-03T17:59:26Z)
• Embodied World Models Emerge from Navigational Task in Open-Ended Environments [5.785697934050656]
  プロシージャ的に生成された平面迷路を解決するために,スパース報酬のみで訓練された反復エージェントが,方向,距離,障害物レイアウトなどの計量概念を自律的に内部化できるかどうかを問う。 トレーニングの後、エージェントは、下層の空間モデルにヒントを与える行動である、見えない迷路において、常に準最適経路を生成する。
  論文  参考訳（メタデータ） (2025-04-15T17:35:13Z)
• Navigating to Objects in the Real World [76.1517654037993]
  本稿では,古典的,モジュール的,エンド・ツー・エンドの学習手法と比較した,意味的視覚ナビゲーション手法に関する大規模な実証的研究について述べる。 モジュラー学習は実世界ではうまく機能し、90%の成功率に達しています。 対照的に、エンド・ツー・エンドの学習は、シミュレーションと現実の間の画像領域の差が大きいため、77%のシミュレーションから23%の実際の成功率へと低下する。
  論文  参考訳（メタデータ） (2022-12-02T01:10:47Z)
• Active Perception Applied To Unmanned Aerial Vehicles Through Deep Reinforcement Learning [0.5161531917413708]
  本研究は,水面構造物の追跡・認識の問題に取り組むことで,UAVのアクティブな認識に寄与することを目的としている。 本稿では,従来の画像処理技術とDeep-RL(Deep Reinforcement Learning, 深層強化学習)エージェントを用いて,環境を知覚し,不確実性に対処できることを示す。
  論文  参考訳（メタデータ） (2022-09-13T22:51:34Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Towards bio-inspired unsupervised representation learning for indoor aerial navigation [4.26712082692017]
  本研究では,生物にインスパイアされた深層学習アルゴリズムによる同時位置決めとマッピング(SLAM)とそのドローンナビゲーションシステムへの応用について述べる。 本稿では,低次元潜在状態記述子を出力し,知覚的エイリアスに対する感度を軽減し,高効率な組込みハードウェアの開発を行う教師なし表現学習手法を提案する。 設計したアルゴリズムは,室内の倉庫環境において収集されたデータセットに基づいて評価され,最初の結果はロバストな屋内航法の実現可能性を示している。
  論文  参考訳（メタデータ） (2021-06-17T08:42:38Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)
• Perception and Navigation in Autonomous Systems in the Era of Learning: A Survey [28.171707840152994]
  本稿では,自律システムにおける自我運動知覚,環境知覚,ナビゲーションにおける学習に基づく単眼的アプローチの適用について述べる。 まず,従来の視覚的同時ローカライゼーションとマッピング(vSLAM)ソリューションの欠点を概説し,深層学習技術の統合の必要性を示す。 第2に,深層学習に基づく単眼深度推定を含む,深層学習に基づく視覚的環境認識と理解手法について検討する。 第3に、主に強化学習や深層強化学習を含む学習システムに基づく視覚ナビゲーションに焦点を当てる。
  論文  参考訳（メタデータ） (2020-01-08T00:28:12Z)

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。