論文の概要: AG-MPBS: a Mobility-Aware Prediction and Behavior-Based Scheduling Framework for Air-Ground Unmanned Systems

• arxiv url: http://arxiv.org/abs/2512.16454v1
• Date: Thu, 18 Dec 2025 12:18:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.407351
• Title: AG-MPBS: a Mobility-Aware Prediction and Behavior-Based Scheduling Framework for Air-Ground Unmanned Systems
• Title（参考訳）: AG-MPBS:空域無人システムのためのモビリティ対応予測と行動ベーススケジューリングフレームワーク
• Authors: Tianhao Shao, Kaixing Zhao, Feng Liu, Lixin Yang, Bin Guo,
• Abstract要約: MPBSはスケーラブルなタスクリクルートフレームワークで、各デバイスをリクルート可能な"ユーザ"として扱う。 行動分類と時間予測を組み合わせることで、MPBSはタスクを最も適切なデバイスにリアルタイムで適応的に割り当てる。 提案するフレームワークは、無人システムにおけるインテリジェントで協調的なスケジューリングのための予測可能な行動認識ソリューションを提供する。
• 参考スコア（独自算出の注目度）: 9.521099273092743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As unmanned systems such as Unmanned Aerial Vehicles (UAVs) and Unmanned Ground Vehicles (UGVs) become increasingly important to applications like urban sensing and emergency response, efficiently recruiting these autonomous devices to perform time-sensitive tasks has become a critical challenge. This paper presents MPBS (Mobility-aware Prediction and Behavior-based Scheduling), a scalable task recruitment framework that treats each device as a recruitable "user". MPBS integrates three key modules: a behavior-aware KNN classifier, a time-varying Markov prediction model for forecasting device mobility, and a dynamic priority scheduling mechanism that considers task urgency and base station performance. By combining behavioral classification with spatiotemporal prediction, MPBS adaptively assigns tasks to the most suitable devices in real time. Experimental evaluations on the real-world GeoLife dataset show that MPBS significantly improves task completion efficiency and resource utilization. The proposed framework offers a predictive, behavior-aware solution for intelligent and collaborative scheduling in unmanned systems.
• Abstract（参考訳）: 無人航空機(UAVs)や無人地上車両(UGVs)のような無人のシステムは、都市感知や緊急対応といったアプリケーションにとってますます重要になってきており、これらの自律装置を効率的に採用して時間に敏感なタスクをこなすことが重要な課題となっている。 本稿では,MPBS(Mobility-Aware Prediction and Behavior-based Scheduling)を提案する。 MPBSは、行動認識型KNN分類器、デバイスモビリティを予測するための時間変化マルコフ予測モデル、タスク緊急性と基地局性能を考慮した動的優先度スケジューリング機構の3つの重要なモジュールを統合している。 行動分類と時空間予測を組み合わせることで、MPBSはタスクを最適なデバイスにリアルタイムで適応的に割り当てる。 実世界のGeoLifeデータセットの実験的評価から,MPBSはタスク完了効率とリソース利用率を大幅に改善することが示された。 提案するフレームワークは、無人システムにおけるインテリジェントで協調的なスケジューリングのための予測可能な行動認識ソリューションを提供する。

関連論文リスト

• Neural ATTF: A Scalable Solution to Lifelong Multi-Agent Path Planning [0.5701273481078372]
  本稿では,優先度誘導タスクマッチング(PGTM)モジュールとデータ駆動経路計画法であるNeural STA*(Space-Time A*)を組み合わせた新しいアルゴリズムを提案する。 TPTS, CENTRAL, RMCA, LNS-PBS, LNS-wPBS などの最先端の MAPD アルゴリズムに対するテストは, Neural ATTF の優れたスケーラビリティ, ソリューション品質, 計算効率を示す。
  論文  参考訳（メタデータ） (2025-04-21T14:25:32Z)
• Efficient Motion Prediction: A Lightweight & Accurate Trajectory Prediction Model With Fast Training and Inference Speed [56.27022390372502]
  我々は,1つのGPU上で数時間のトレーニングをしながら,競争力の高いベンチマーク結果を実現する,新しい効率的な動き予測モデルを提案する。 その低推論レイテンシは、特に限られたコンピューティングリソースを持つ自律アプリケーションへのデプロイに適している。
  論文  参考訳（メタデータ） (2024-09-24T14:58:27Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Constant-time Motion Planning with Anytime Refinement for Manipulation [17.543746580669662]
  本研究では,CTMP(Constant-time Motion Planners)アルゴリズムと組み合わせたリアルタイム改良手法を提案する。 提案するフレームワークは,定数時間アルゴリズムとして動作するため,ユーザ定義時間しきい値内の初期解を高速に生成する。 任意の時間アルゴリズムとして機能し、割り当てられた時間予算内で、ソリューションの品質を反復的に改善します。
  論文  参考訳（メタデータ） (2023-11-01T20:40:10Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の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） (2023-09-15T17:10:51Z)
• RED: A Systematic Real-Time Scheduling Approach for Robotic Environmental Dynamics [11.38746414146899]
  我々は、リソース制限されたロボットシステムにおいて、マルチタスクのディープニューラルネットワークワークロードをサポートするように設計された、体系的なリアルタイムスケジューリング手法REDを紹介する。 ロボット環境ダイナミクス(RED)をリアルタイムの制約に順応しながら適応的に管理するように設計されている。
  論文  参考訳（メタデータ） (2023-08-29T15:04:08Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• MATS: An Interpretable Trajectory Forecasting Representation for Planning and Control [46.86174832000696]
  人間の動きに関する推論は、現代の人間ロボットの対話システムの中核的な構成要素である。 自律システムにおける行動予測の主な用途の1つは、ロボットの動作計画と制御を知らせることである。 本稿では,下流の計画や制御に適するトラジェクトリ予測のための新しい出力表現を提案する。
  論文  参考訳（メタデータ） (2020-09-16T07:32:37Z)

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。