論文の概要: B-ActiveSEAL: Scalable Uncertainty-Aware Active Exploration with Tightly Coupled Localization-Mapping

• arxiv url: http://arxiv.org/abs/2512.12194v1
• Date: Sat, 13 Dec 2025 05:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.323681
• Title: B-ActiveSEAL: Scalable Uncertainty-Aware Active Exploration with Tightly Coupled Localization-Mapping
• Title（参考訳）: B-ActiveSEAL: 密結合型局所化マッピングによる拡張性不確実性を考慮したアクティブ探索
• Authors: Min-Won Seo, Aamodh Suresh, Carlos Nieto-Granda, Solmaz S. Kia,
• Abstract要約: B-ActiveSEAL(B-ActiveSEAL)は、拡張性のある情報理論の活発な探索フレームワークである。 我々は、結合した不確実性を伝播し、それらを一般的なエントロピーの定式化に組み込む理論的基盤を確立する。 提案手法の有効性は、厳密な理論的解析とオープンソースマップとROS-Unityシミュレーションに関する広範な実験を通じて検証される。
• 参考スコア（独自算出の注目度）: 1.7534486934148557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active robot exploration requires decision-making processes that integrate localization and mapping under tightly coupled uncertainty. However, managing these interdependent uncertainties over long-term operations in large-scale environments rapidly becomes computationally intractable. To address this challenge, we propose B-ActiveSEAL, a scalable information-theoretic active exploration framework that explicitly accounts for coupled uncertainties-from perception through mapping-into the decision-making process. Our framework (i) adaptively balances map uncertainty (exploration) and localization uncertainty (exploitation), (ii) accommodates a broad class of generalized entropy measures, enabling flexible and uncertainty-aware active exploration, and (iii) establishes Behavioral entropy (BE) as an effective information measure for active exploration by enabling intuitive and adaptive decision-making under coupled uncertainties. We establish a theoretical foundation for propagating coupled uncertainties and integrating them into general entropy formulations, enabling uncertainty-aware active exploration under tightly coupled localization-mapping. The effectiveness of the proposed approach is validated through rigorous theoretical analysis and extensive experiments on open-source maps and ROS-Unity simulations across diverse and complex environments. The results demonstrate that B-ActiveSEAL achieves a well-balanced exploration-exploitation trade-off and produces diverse, adaptive exploration behaviors across environments, highlighting clear advantages over representative baselines.
• Abstract（参考訳）: アクティブなロボット探索には、密結合した不確実性の下で局所化とマッピングを統合する意思決定プロセスが必要である。 しかし, 大規模環境での長期運用における相互依存的不確実性の管理は, 急速に困難になってきている。 この課題に対処するため,我々はB-ActiveSEALを提案する。B-ActiveSEALはスケーラブルな情報理論の活発な探索フレームワークである。 当社の枠組み (i)地図の不確実性(探索)と局所不確実性(探索)を適応的にバランスさせる。 (二)広範に一般化されたエントロピー対策に対応し、フレキシブルで不確実性に配慮した活動探索を可能にし、 三 行動エントロピー(BE)は、不確実性を伴う直感的かつ適応的な意思決定を可能にすることにより、活発な探索のための効果的な情報尺度として確立する。 我々は、結合した不確実性を伝播し、それらを一般的なエントロピーの定式化に統合する理論的基盤を確立し、密結合された局所化マッピングの下で不確実性を考慮したアクティブな探索を可能にする。 提案手法の有効性は、厳密な理論的解析と、多種多様な複雑な環境におけるオープンソースマップとROS-Unityシミュレーションに関する広範な実験を通じて検証される。 その結果、B-ActiveSEALは、よくバランスのとれた探索・探索のトレードオフを達成し、環境全体にわたって多様な適応的な探索行動を生み出し、代表的ベースラインよりも明確な優位性を示した。

関連論文リスト

• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)
• In-Context Learning for Pure Exploration [28.404325855738502]
  本研究は, 純粋探索(Pure Exploring)としても知られる, 能動的逐次仮説検定の課題について考察する。 In-Context Pure Exploration (ICPE)を導入し、トランスフォーマーをメタトレーニングして、観測履歴をクエリアクションと予測仮説にマッピングする。 ICPEは、新しいタスクの証拠を積極的に収集し、パラメータの更新なしに真の仮説を推測する。
  論文  参考訳（メタデータ） (2025-06-02T17:04:50Z)
• Fast and Robust: Task Sampling with Posterior and Diversity Synergies for Adaptive Decision-Makers in Randomized Environments [40.869524679544824]
  Posterior and Diversity Synergized Task Smpling (PDTS) は、高速かつ堅牢なシーケンシャルな意思決定を実現するための、実装が容易な方法である。 PDTSは、堅牢なアクティブタスクサンプリングの可能性を解き、挑戦的なタスクにおけるゼロショットおよび少数ショット適応ロバスト性を大幅に改善し、特定のシナリオ下での学習プロセスを加速する。
  論文  参考訳（メタデータ） (2025-04-27T07:27:17Z)
• Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
  AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。 不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。 対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:12:26Z)
• SAUP: Situation Awareness Uncertainty Propagation on LLM Agent [52.444674213316574]
  大規模言語モデル(LLM)は多段階エージェントシステムに統合され、様々なアプリケーションにまたがる複雑な意思決定プロセスを可能にする。 既存の不確実性推定手法は主に最終段階の出力に重点を置いており、これは多段階決定プロセスにおける累積的不確実性やエージェントとその環境間の動的相互作用を考慮できない。 LLMエージェントの推論プロセスの各ステップを通じて不確実性を伝播する新しいフレームワークであるSAUPを提案する。
  論文  参考訳（メタデータ） (2024-12-02T01:31:13Z)
• A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation [0.0]
  本稿では,不確実性モデリングにおける基礎概念の統合とコンテキスト化について述べる。 空間集合における強い仮定や標準ベンチマークの欠如といった課題を特定する。 深層学習における不確実性認識のセグメンテーションを進めるための方向性を提案する。
  論文  参考訳（メタデータ） (2024-11-25T13:26:09Z)
• Evidential Active Recognition: Intelligent and Prudent Open-World Embodied Perception [21.639429724987902]
  アクティブな認識により、ロボットは新しい観察を探索し、望ましくない視界を回避しながらより多くの情報を得ることができる。 ほとんどの認識モジュールはクローズドワールドの仮定の下で開発されており、現在の観測における対象物体の欠如のような予期せぬ入力を処理できない。 本稿では,有効認識を逐次的エビデンス収集プロセスとして扱うことを提案する。
  論文  参考訳（メタデータ） (2023-11-23T03:51:46Z)
• Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior: From Theory to Practice [54.03076395748459]
  メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。 本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。 PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
  論文  参考訳（メタデータ） (2022-11-14T08:51:04Z)
• Uncertainty Quantification for Deep Context-Aware Mobile Activity Recognition and Unknown Context Discovery [85.36948722680822]
  我々はα-βネットワークと呼ばれる深層モデルのコンテキスト認識混合を開発する。 高レベルの文脈を識別することで、精度とFスコアを10%向上させる。 トレーニングの安定性を確保するために、公開データセットと社内データセットの両方でクラスタリングベースの事前トレーニングを使用しました。
  論文  参考訳（メタデータ） (2020-03-03T19:35:34Z)

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。