論文の概要: Deep Neural Network-Based Aerial Transport in the Presence of Cooperative and Uncooperative UAS
- arxiv url: http://arxiv.org/abs/2512.06577v1
- Date: Sat, 06 Dec 2025 22:03:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.176075
- Title: Deep Neural Network-Based Aerial Transport in the Presence of Cooperative and Uncooperative UAS
- Title（参考訳）: 協調的・非協調的UASの有無を考慮したディープニューラルネットワークによる航空輸送
- Authors: Muhammad Junayed Hasan Zahed, Hossein Rastgoftar,
- Abstract要約: 本稿では,非クルード航空システム(UAS)を$mathbbRn$で運用することで,分散トランスポートとカバレッジを分散化するためのレジリエントディープニューラルネットワーク(DNN)フレームワークを提案する。
このフレームワークは、規定されたプロトコルに従わない、あるいは従わない非協力的なエージェントの存在下で堅牢なままに設計されている。
- 参考スコア（独自算出の注目度）: 3.437656066916039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a resilient deep neural network (DNN) framework for decentralized transport and coverage using uncrewed aerial systems (UAS) operating in $\mathbb{R}^n$. The proposed DNN-based mass-transport architecture constructs a layered inter-UAS communication graph from an initial formation, assigns time-varying communication weights through a forward scheduling mechanism that guides the team from the initial to the final configuration, and ensures stability and convergence of the resulting multi-agent transport dynamics. The framework is explicitly designed to remain robust in the presence of uncooperative agents that deviate from or refuse to follow the prescribed protocol. Our method preserves a fixed feed-forward topology but dynamically prunes edges to uncooperative agents, maintains convex, feedforward mentoring among cooperative agents, and computes global desired set points through a sparse linear relation consistent with leader references. The target set is abstracted by $N$ points that become final desired positions, enabling coverage-optimal transport while keeping computation low and guarantees intact. Extensive simulations demonstrate that, under full cooperation, all agents converge rapidly to the target zone with a 10\% boundary margin and under partial cooperation with uncooperative agents, the system maintains high convergence among cooperative agents with performance degradation localized near the disruptions, evidencing graceful resilience and scalability. These results confirm that forward-weight scheduling, hierarchical mentor--mentee coordination, and on-the-fly DNN restructuring yield robust, provably stable UAS transport in realistic fault scenarios.
- Abstract（参考訳）: 本稿では, 無人航空システム(UAS)を$\mathbb{R}^n$で動作させることにより, 分散輸送とカバレッジを分散化するためのレジリエントディープニューラルネットワーク(DNN)フレームワークを提案する。
提案したDNNベースのマストランスポートアーキテクチャは、初期構造から階層化されたUAS間通信グラフを構築し、初期構造から最終構成へチームを誘導する前方スケジューリング機構を通じて、時間変化の通信重みを割り当て、結果として生じるマルチエージェント輸送ダイナミクスの安定性と収束を保証する。
このフレームワークは、規定されたプロトコルに従わない、あるいは従わない非協力的なエージェントの存在下で堅牢なままに設計されている。
提案手法は, 固定されたフィードフォワードトポロジを保持するが, 動的に非協調エージェントにエッジを割り当て, 凸を保ち, 協調エージェント間のフィードフォワードメンタリングを行い, リーダー参照と整合した疎線型関係を通じて, グローバルなセットポイントを計算する。
ターゲットセットは、最終的な望ましい位置となる$N$ポイントで抽象化され、計算を低く保ち、保証を保ちながら、カバレッジ-最適輸送を可能にする。
広範囲なシミュレーションにより, 全エージェントが10倍の限界で目標ゾーンに急速に収束し, 非協力エージェントと部分的協力の下では, 破壊近傍に局所化した性能劣化を伴う協調エージェントの間で高い収束性を維持し, 優れた回復力とスケーラビリティを期待できることを示した。
これらの結果は, 現実的な故障シナリオにおいて, 前向きのスケジューリング, 階層的メンタ-メンタ-メンタ-メンタ-メンタ-コーディネーション, およびオンザフライDNN再構成が堅牢で, 確実に安定なUAS輸送をもたらすことを確認した。
関連論文リスト
- TSC: Topology-Conditioned Stackelberg Coordination for Multi-Agent Reinforcement Learning in Interactive Driving [37.09409794849228]
トポロジ条件付きStackelberg Coordinationは、コミュニケーションフリー実行下での分散インタラクティブ運転のための学習フレームワークである。
TSCは,主要な指標をまたいだ代表的MARLベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2026-02-27T10:46:41Z) - Local adapt-then-combine algorithms for distributed nonsmooth optimization: Achieving provable communication acceleration [50.67878993903822]
通信効率のよいAdapt-Then-Combine (ATC) フレームワークであるFlexATCを提案する。
ローカル更新がATCベースの分散アルゴリズムの通信高速化につながることを示すのはこれが初めてである。
論文 参考訳（メタデータ） (2026-02-18T02:47:05Z) - CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge [50.42067935605982]
ローカルメモリの効率とグローバル通信の削減を両立させる新しい圧縮・結合型学習フレームワークを提案する。
CoCo-Fedは、メモリと通信効率の両方において最先端のベースラインを著しく上回り、非IID設定下では堅牢な収束を維持している。
論文 参考訳（メタデータ） (2026-01-02T03:39:50Z) - Optimal Transport-Based Decentralized Multi-Agent Distribution Matching [0.0]
マルチエージェントシステムにおける分散化フレームワーク
最適輸送(ワッサーシュタイン距離)を用いた問題定式化
システムは分散的に完全に動作する。
論文 参考訳（メタデータ） (2026-01-02T03:35:25Z) - OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers [68.73273027298625]
メガコンステレーションは、宇宙データセンター(SDC)の長期的なビジョンを推進している
AirCompはフリースペース(FSO)を学習するためのネットワーク内集約フレームワーク
AirVoteは符号勾配(SGD)と多数符号変調(PPM)を統合し、各衛星はPPMタイムスロットを活性化することで局所勾配を伝達する。
OptiVoteは位相依存性電場重ね合わせを位相非依存光強度結合に緩和する。
論文 参考訳（メタデータ） (2025-12-30T16:40:02Z) - QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。
本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
論文 参考訳（メタデータ） (2025-12-17T06:22:46Z) - Multi-Agent Deep Reinforcement Learning for Collaborative UAV Relay Networks under Jamming Atatcks [36.380478794869234]
本稿では,この課題を,分散実行トレーニング(CTDE)フレームワークを用いて解決したMARL(Multi-Agent Reinforcement Learning)問題として定式化する。
提案手法はベースラインを著しく上回り,システム全体のスループットを約50%向上し,同時にほぼゼロの衝突速度を実現した。
重要な発見は、エージェントが明示的なプログラミングなしに創発的なアンチジャミング戦略を開発することである。
論文 参考訳（メタデータ） (2025-12-09T08:11:21Z) - Distributed Autonomous Swarm Formation for Dynamic Network Bridging [40.27919181139919]
離散化された部分観測可能なマルコフ決定過程(Dec-POMDP)における動的ネットワークブリッジ問題について定式化する。
グラフ畳み込み強化学習(DGN)に基づく問題に対するマルチエージェント強化学習(MARL)アプローチを提案する。
提案手法はシミュレーション環境で評価し,将来性を示す集中型ベースラインと比較した。
論文 参考訳（メタデータ） (2024-04-02T01:45:03Z) - Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。
我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
論文 参考訳（メタデータ） (2021-12-03T19:23:48Z)
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。