論文の概要: Active Inference-Driven World Modeling for Adaptive UAV Swarm Trajectory Design

• arxiv url: http://arxiv.org/abs/2601.12939v1
• Date: Mon, 19 Jan 2026 10:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.869721
• Title: Active Inference-Driven World Modeling for Adaptive UAV Swarm Trajectory Design
• Title（参考訳）: 適応型UAVSwarm軌道設計のためのアクティブ推論駆動世界モデリング
• Authors: Kaleem Arshid, Ali Krayani, Lucio Marcenaro, David Martin Gomez, Carlo Regazzoni,
• Abstract要約: 本稿では,UAV群における自律軌道設計のための能動推論に基づくフレームワークを提案する。 この方法は確率論的推論と自己学習を統合し、分散ミッションアロケーション、ルートオーダ、モーションプランニングを可能にする。
• 参考スコア（独自算出の注目度）: 5.238520207250123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes an Active Inference-based framework for autonomous trajectory design in UAV swarms. The method integrates probabilistic reasoning and self-learning to enable distributed mission allocation, route ordering, and motion planning. Expert trajectories generated using a Genetic Algorithm with Repulsion Forces (GA-RF) are employed to train a hierarchical World Model capturing swarm behavior across mission, route, and motion levels. During online operation, UAVs infer actions by minimizing divergence between current beliefs and model-predicted states, enabling adaptive responses to dynamic environments. Simulation results show faster convergence, higher stability, and safer navigation than Q-Learning, demonstrating the scalability and cognitive grounding of the proposed framework for intelligent UAV swarm control.
• Abstract（参考訳）: 本稿では,UAV群における自律軌道設計のための能動推論に基づくフレームワークを提案する。 この方法は確率論的推論と自己学習を統合し、分散ミッションアロケーション、ルートオーダ、モーションプランニングを可能にする。 GA-RF(Genematic Algorithm with Repulsion Forces)を用いて生成された専門家の軌跡を用いて、ミッション、ルート、運動レベルを横断する群れの振る舞いを捉えた階層的世界モデルを訓練する。 オンライン運用中、UAVは現在の信念とモデル予測状態の差異を最小限に抑え、動的環境への適応的な応答を可能にすることで行動を予測する。 シミュレーションの結果、Q-Learningよりも収束が速く、安定性が高く、ナビゲーションも安全であることが示され、インテリジェントなUAV群制御のためのフレームワークのスケーラビリティと認知基盤が実証された。

関連論文リスト

• Bayesian Active Inference for Intelligent UAV Anti-Jamming and Adaptive Trajectory Planning [5.620125209890186]
  本稿では, 逆ジャミング条件下でのUAV動作のための階層的軌道計画手法を提案する。 このアプローチは、専門家が作成したデモと確率的生成モデルを組み合わせて、高レベルなシンボル計画、低レベルなモーションポリシー、無線信号フィードバックを符号化する。 配備中、UAVは妨害を予測し、ジャムマーをローカライズし、ジャムマーの位置を事前に知ることなくその軌道に適応するためのオンライン推論を行う。
  論文  参考訳（メタデータ） (2025-12-05T13:38:52Z)
• Hierarchical Task Offloading and Trajectory Optimization in Low-Altitude Intelligent Networks Via Auction and Diffusion-based MARL [37.79695337425523]
  低高度インテリジェントネットワーク(LAIN)は、災害対応、環境モニタリング、リアルタイムセンシングといったミッションクリティカルなアプリケーションをサポートすることができる。 これらのシステムは、エネルギー制約のあるUAV、タスク到着、異種コンピューティングリソースなど、重要な課題に直面している。 本稿では,UAV軌道計画とタスクオフロード決定を協調的に最適化する,時間依存型整数型非線形計画問題の解法を提案する。
  論文  参考訳（メタデータ） (2025-12-05T08:14:45Z)
• Trajectory Design for UAV-Based Low-Altitude Wireless Networks in Unknown Environments: A Digital Twin-Assisted TD3 Approach [62.11847362756054]
  低高度無線ネットワーク(LAWN)のキーイネーブラーとして無人航空機(UAV)が登場している 我々は、デジタルツイン(DT)支援トレーニングおよびデプロイメントフレームワークを提案する。 このフレームワークでは、UAVは統合されたセンシングと通信信号を送信し、地上ユーザーに通信サービスを提供し、同時にDTサーバにアップロードされたエコーを収集して、仮想環境(VE)を段階的に構築する。 これらのVEはモデルトレーニングを加速し、展開中のリアルタイムUAVセンシングデータを継続的に更新し、意思決定をサポートし、飛行安全性を向上する。
  論文  参考訳（メタデータ） (2025-10-28T10:05:53Z)
• A Physics-Informed Neural Network Approach for UAV Path Planning in Dynamic Environments [6.2703664569653945]
  ダイナミック・ウィンドフィールドで運用される無人航空機(UAV)は、安全でエネルギー効率の良い軌道を生成する必要がある。 A* や Kinodynamic RRT* のような伝統的なプランナーは、離散化やサンプリング制限のため、しばしば準最適または非滑らかな経路をもたらす。 本稿では,UAV力学,風乱,障害物回避を直接学習プロセスに組み込む物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T13:42:07Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
  離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。 我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。 本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
  論文  参考訳（メタデータ） (2025-09-24T13:35:15Z)
• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• Joint Optimization of Deployment and Trajectory in UAV and IRS-Assisted IoT Data Collection System [25.32139119893323]
  無人航空機(UAV)は多くのモノのインターネット(IoT)システムに適用できる。 UAV-IoT無線チャネルは、時には木や高層建築物によってブロックされることがある。 本稿では,UAVの展開と軌道を最適化することで,システムのエネルギー消費を最小化することを目的とする。
  論文  参考訳（メタデータ） (2022-10-27T06:27:40Z)
• Joint Cluster Head Selection and Trajectory Planning in UAV-Aided IoT Networks by Reinforcement Learning with Sequential Model [4.273341750394231]
  我々は、UAVの軌道を共同で設計し、インターネット・オブ・シングス・ネットワークでクラスタ・ヘッドを選択するという問題を定式化する。 本稿では,シーケンス・ツー・シーケンス・ニューラルネットワークで表されるポリシーを効果的に学習できるシーケンシャルモデル戦略を備えた,新しい深層強化学習(DRL)を提案する。 シミュレーションにより,提案したDRL法は,より少ないエネルギー消費を必要とするUAVの軌道を見つけることができることを示した。
  論文  参考訳（メタデータ） (2021-12-01T07:59:53Z)
• Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
  本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。 本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。 シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-23T03:33:29Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)

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。