論文の概要: Using Machine Learning to Take Stay-or-Go Decisions in Data-driven Drone Missions

• arxiv url: http://arxiv.org/abs/2512.04773v1
• Date: Thu, 04 Dec 2025 13:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.178131
• Title: Using Machine Learning to Take Stay-or-Go Decisions in Data-driven Drone Missions
• Title（参考訳）: データ駆動型ドローンミッションで機械学習を使って決定を下す
• Authors: Giorgos Polychronis, Foivos Pournaropoulos, Christos D. Antonopoulos, Spyros Lalis,
• Abstract要約: 本稿では,分岐予測と強化学習に基づく異なる機械学習手法を提案する。 イベント発生確率が時間とともに変化する幅広いシナリオに対して,これらの手法を評価する。 その結果,提案手法は文献で提案した回帰に基づく手法を一貫して上回り,最悪のミッション時間を最大4.1倍改善できることがわかった。
• 参考スコア（独自算出の注目度）: 0.1679937788852768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drones are becoming indispensable in many application domains. In data-driven missions, besides sensing, the drone must process the collected data at runtime to decide whether additional action must be taken on the spot, before moving to the next point of interest. If processing does not reveal an event or situation that requires such an action, the drone has waited in vain instead of moving to the next point. If, however, the drone starts moving to the next point and it turns out that a follow-up action is needed at the previous point, it must spend time to fly-back. To take this decision, we propose different machine-learning methods based on branch prediction and reinforcement learning. We evaluate these methods for a wide range of scenarios where the probability of event occurrence changes with time. Our results show that the proposed methods consistently outperform the regression-based method proposed in the literature and can significantly improve the worst-case mission time by up to 4.1x. Also, the achieved median mission time is very close, merely up to 2.7% higher, to that of a method with perfect knowledge of the current underlying event probability at each point of interest.
• Abstract（参考訳）: ドローンは多くのアプリケーションドメインで必須になっている。 データ駆動のミッションでは、センシング以外に、ドローンは収集したデータを実行時に処理し、次の関心点に移動する前に、追加のアクションをその場で実行する必要がある。 処理がそのようなアクションを必要とするイベントや状況を明らかにしない場合、ドローンは次のポイントに移動するのではなく、無駄に待った。 しかし、もしドローンが次の地点に移動し始めると、以前の地点でフォローアップアクションが必要になることが判明した。 そこで本研究では,分岐予測と強化学習に基づく異なる機械学習手法を提案する。 イベント発生確率が時間とともに変化する幅広いシナリオに対して,これらの手法を評価する。 その結果,提案手法は文献で提案した回帰に基づく手法を一貫して上回り,最悪のミッション時間を最大4.1倍改善できることがわかった。 また、達成されたミッションタイムの中央値は、各時点の現在の事象確率の完全な知識を持つ方法よりも2.7%高いだけである。

関連論文リスト

• Exploiting Policy Idling for Dexterous Manipulation [19.909895138745345]
  本研究では, アイドリング行動の検出可能性を活用して, 探索と政策改善を通知する方法について検討する。 PIP(Pause-induced Perturbations)は,検出したアイドリング状態に摂動を適用したアプローチである。 シミュレーションされた2つのアームタスクにおいて、この単純なアプローチはテスト時間性能を著しく向上させることができる。
  論文  参考訳（メタデータ） (2025-08-21T15:52:45Z)
• MEXGEN: An Effective and Efficient Information Gain Approximation for Information Gathering Path Planning [3.195234044113248]
  自律ロボットの計画アルゴリズムは、不確実性の下でのシーケンシャルな意思決定問題を解決する必要がある。 我々は,不確実な信念状態からセンサ計測を予測する難しい問題に対して,計算的に効率的かつ効果的に近似する手法を開発した。 マルチロータ型空中ロボットを用いた広範囲なシミュレーション・フィールド実験により, 電波源追尾と位置決め問題の性能向上を実証した。
  論文  参考訳（メタデータ） (2024-05-04T08:09:16Z)
• Improving Event Time Prediction by Learning to Partition the Event Time Space [13.5391816206237]
  最近開発された生存分析法は, 未特定時間間隔のそれぞれの事象発生確率を予測し, 既存手法を改良した。 限られた利用可能なデータを持つ臨床環境では、手前の予測タスクに適した限られた間隔にイベント時間空間を散発的に分割することが好ましい。 2つのシミュレーションデータセットにおいて、基礎となる生成モデルと一致する間隔を復元できることが示される。 次に,新たに調和した脳卒中リスク予測データセットを含む実世界の3つの観測データに対して,予測性能の向上を示す。
  論文  参考訳（メタデータ） (2023-10-24T14:11:40Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• AZTR: Aerial Video Action Recognition with Auto Zoom and Temporal Reasoning [63.628195002143734]
  本稿では,空中映像の行動認識のための新しい手法を提案する。 提案手法は,UAVを用いて撮影したビデオに対して設計されており,エッジやモバイルデバイス上でも動作可能である。 我々は、カスタマイズされたオートズームを使用して、人間のターゲットを自動的に識別し、適切にスケールする学習ベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-02T21:24:19Z)
• A Search and Detection Autonomous Drone System: from Design to Implementation [7.760962597460447]
  ターゲットを見つけるのに要する時間の観点からの探索効率は、山火事の検出に不可欠である。 経路計画と目標検出という2つのアルゴリズムが提案されている。 その結果,提案アルゴリズムはミッションの平均時間を大幅に短縮することがわかった。
  論文  参考訳（メタデータ） (2022-11-29T01:44:29Z)
• Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
  本稿では,他の飛行ドローンからドローンを検知する問題に対処する。 ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。 これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-31T17:43:31Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• Thinking While Moving: Deep Reinforcement Learning with Concurrent Control [122.49572467292293]
  本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。 人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
  論文  参考訳（メタデータ） (2020-04-13T17:49:29Z)

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。