論文の概要: Multi-Task Bayesian Optimization for Tuning Decentralized Trajectory Generation in Multi-UAV Systems

• arxiv url: http://arxiv.org/abs/2512.08630v1
• Date: Tue, 09 Dec 2025 14:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.232479
• Title: Multi-Task Bayesian Optimization for Tuning Decentralized Trajectory Generation in Multi-UAV Systems
• Title（参考訳）: マルチタスクベイズ最適化によるマルチUAVシステムにおける分散軌道の調整
• Authors: Marta Manzoni, Alessandro Nazzari, Roberto Rubinacci, Marco Lovera,
• Abstract要約: 我々は,各タスクを,特定のドローンとドローンの相互作用によって定義された軌道生成シナリオとして扱う。 タスク間の共有構造をキャプチャし,効率的な情報伝達を可能にするマルチタスクガウスプロセスを採用している。 単一タスクの最適化は、Swarmのサイズが大きくなるにつれて徐々に短いミッション時間をもたらすが、平均タスクのアプローチよりもはるかに多くの最適化時間を必要とすることを示す。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper investigates the use of Multi-Task Bayesian Optimization for tuning decentralized trajectory generation algorithms in multi-drone systems. We treat each task as a trajectory generation scenario defined by a specific number of drone-to-drone interactions. To model relationships across scenarios, we employ Multi-Task Gaussian Processes, which capture shared structure across tasks and enable efficient information transfer during optimization. We compare two strategies: optimizing the average mission time across all tasks and optimizing each task individually. Through a comprehensive simulation campaign, we show that single-task optimization leads to progressively shorter mission times as swarm size grows, but requires significantly more optimization time than the average-task approach.
• Abstract（参考訳）: 本稿では,マルチタスクベイズ最適化を用いた分散トラジェクトリ生成アルゴリズムのチューニングについて検討する。 我々は,各タスクを,特定のドローンとドローンの相互作用によって定義された軌道生成シナリオとして扱う。 シナリオ間の関係をモデル化するために、タスク間の共有構造をキャプチャし、最適化時に効率的な情報伝達を可能にするマルチタスクガウスプロセスを用いる。 すべてのタスクの平均ミッションタイムを最適化し、各タスクを個別に最適化する。 総合的なシミュレーションキャンペーンを通じて、Swarmのサイズが大きくなるにつれて、シングルタスクの最適化は徐々に短いミッション時間をもたらすが、平均タスクのアプローチよりもはるかに多くの最適化時間を必要とすることを示す。

関連論文リスト

• A Unified Multi-Task Learning Framework for Generative Auto-Bidding with Validation-Aligned Optimization [51.27959658504722]
  マルチタスク学習は、これらのタスクを共有表現を通じて共同でトレーニングするための、原則化されたフレームワークを提供する。 既存のマルチタスク最適化戦略は、主にトレーニングダイナミクスによって導かれ、不安定な入札環境ではよく一般化される。 本稿では,タスク毎のトレーニング勾配と保留有効度勾配のアライメントに基づいてタスク重みを適応的に割り当てる,バリデーション適応型マルチタスク最適化(VAMO)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T03:59:51Z)
• Selective Task Group Updates for Multi-Task Optimization [44.601029688423914]
  本稿では,タスクを効果的にグループ化し,学習プロセス中に更新する方法を適応的に決定するアルゴリズムを提案する。 提案手法は,従来のマルチタスク最適化手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-02-17T16:26:05Z)
• All-in-One Image Coding for Joint Human-Machine Vision with Multi-Path Aggregation [28.62276713652864]
  我々は,人間の共同ビジョンのための既存の符号化モデルにMPA(Multi-Path Aggregation)を統合することを提案する。 MPAはタスク固有のパスに遅延特徴を割り当てるために予測器を使用する。 MPAはタスク特化最適化と多目的最適化の両方において最先端の手法に匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2024-09-29T11:14:21Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Optimal Cost-Preference Trade-off Planning with Multiple Temporal Tasks [3.655021726150368]
  個別のタスクやその関係性よりも好みを表現できる汎用的な枠組みを提供する新しい選好概念を導入する。 我々は,ユーザの好みに従属する行動と,リソース最適である行動の最適トレードオフ(Pareto)分析を行う。
  論文  参考訳（メタデータ） (2023-06-22T21:56:49Z)
• FAMO: Fast Adaptive Multitask Optimization [48.59232177073481]
  本稿では,動的重み付け手法であるFast Adaptive Multitask Optimization FAMOを導入する。 この結果から,FAMOは最先端の勾配操作技術に匹敵する,あるいは優れた性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T15:39:54Z)
• Optimization Strategies in Multi-Task Learning: Averaged or Independent Losses? [15.905060482249873]
  マルチタスク学習(MTL)では,タスク固有の目的関数の重み付け平均である目的関数を最適化することにより,マルチタスクネットワークのトレーニングを行うのが一般的である。 本研究では,タスク固有目的関数の独立勾配降下ステップを交互に交互に行うことで,そのような代替手段の利点を考察する。 ランダムなグループ化戦略は,これらの利点と計算効率のトレードオフを可能にすることを示す。
  論文  参考訳（メタデータ） (2021-09-21T09:34:14Z)
• Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
  我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。 マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。 タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
  論文  参考訳（メタデータ） (2021-04-28T16:45:56Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。