論文の概要: Communication-Free Collective Navigation for a Swarm of UAVs via LiDAR-Based Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2601.13657v1
• Date: Tue, 20 Jan 2026 06:46:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.190283
• Title: Communication-Free Collective Navigation for a Swarm of UAVs via LiDAR-Based Deep Reinforcement Learning
• Title（参考訳）: LiDARを用いた深部強化学習によるUAV群に対する通信自由集団ナビゲーション
• Authors: Myong-Yol Choi, Hankyoul Ko, Hanse Cho, Changseung Kim, Seunghwan Kim, Jaemin Seo, Hyondong Oh,
• Abstract要約: 本稿では,無人航空機(UAV)群を通信密度の高い環境で集団航行するためのDRL(Deep reinforcement Learning)に基づく制御手法を提案する。 明示的なコミュニケーションを伴わずにグループをガイドする生物学的群集に触発されて、私たちは暗黙的なリーダー・フォロワーの枠組みを採用している。 このパラダイムでは、リーダーだけがゴール情報を持ち、従者UAVはオンボードLiDARセンシングのみを使用して堅牢なポリシーを学ぶ。
• 参考スコア（独自算出の注目度）: 7.748089948840113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a deep reinforcement learning (DRL) based controller for collective navigation of unmanned aerial vehicle (UAV) swarms in communication-denied environments, enabling robust operation in complex, obstacle-rich environments. Inspired by biological swarms where informed individuals guide groups without explicit communication, we employ an implicit leader-follower framework. In this paradigm, only the leader possesses goal information, while follower UAVs learn robust policies using only onboard LiDAR sensing, without requiring any inter-agent communication or leader identification. Our system utilizes LiDAR point clustering and an extended Kalman filter for stable neighbor tracking, providing reliable perception independent of external positioning systems. The core of our approach is a DRL controller, trained in GPU-accelerated Nvidia Isaac Sim, that enables followers to learn complex emergent behaviors - balancing flocking and obstacle avoidance - using only local perception. This allows the swarm to implicitly follow the leader while robustly addressing perceptual challenges such as occlusion and limited field-of-view. The robustness and sim-to-real transfer of our approach are confirmed through extensive simulations and challenging real-world experiments with a swarm of five UAVs, which successfully demonstrated collective navigation across diverse indoor and outdoor environments without any communication or external localization.
• Abstract（参考訳）: 本稿では,無人航空機(UAV)群を通信密度の高い環境で集団航行するためのDRL(Deep reinforcement Learning)に基づく制御器を提案し,複雑で障害物の多い環境でのロバストな操作を可能にする。 明示的なコミュニケーションを伴わずにグループをガイドする生物学的群集に触発されて、私たちは暗黙的なリーダー・フォロワーの枠組みを採用している。 このパラダイムでは、リーダーだけがゴール情報を持ち、従者UAVは、エージェント間のコミュニケーションやリーダー識別を必要とせずに、LiDARのセンサーのみを使用して堅牢なポリシーを学ぶ。 このシステムは,LiDAR点クラスタリングと拡張カルマンフィルタを用いて,外部位置決めシステムに依存しない信頼性の高い認識を提供する。 このアプローチのコアは、GPUアクセラレーションされたNvidia Isaac SimでトレーニングされたDRLコントローラです。 これにより、Swarmは暗黙的にリーダーに従うことができ、オクルージョンや限定的な視野といった知覚上の課題にしっかりと対処できる。 提案手法のロバスト性およびシミュレート・トゥ・リアルトランスファーは,5基のUAV群を用いた大規模なシミュレーションおよび実世界実験により確認された。

関連論文リスト

• AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios [64.51320327698231]
  UAVシナリオにおける最初の大規模RMOTベンチマークであるAerialMindを紹介する。 我々は、革新的な半自動協調型エージェントベースラベリングアシスタントフレームワークを開発した。 また,視覚言語表現学習を協調的に強化する新しい手法であるHawkEyeTrackを提案する。
  論文  参考訳（メタデータ） (2025-11-26T04:44:27Z)
• Improving the Resilience of Quadrotors in Underground Environments by Combining Learning-based and Safety Controllers [22.566692834880396]
  環境上におけるフローベース事前の正規化をトレーニングし、任意の時間における四重項の分布外分布の度合いを測る。 我々は、この測定をランタイムモニターとして使用し、学習ベースのコントローラと安全なコントローラを十分に配布できないときに切り替えることができます。
  論文  参考訳（メタデータ） (2025-09-02T20:22:54Z)
• Decentralized Vision-Based Autonomous Aerial Wildlife Monitoring [55.159556673975544]
  野生生物モニタリングのための分散視覚に基づくマルチクワッドロータシステムを提案する。 我々のアプローチは、その自然生息地における大型種のロバスト同定と追跡を可能にする。
  論文  参考訳（メタデータ） (2025-08-20T20:05:05Z)
• Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
  本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。 トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• Deep Reinforcement Learning based Autonomous Decision-Making for Cooperative UAVs: A Search and Rescue Real World Application [3.206131271136423]
  本稿では, 自律誘導, ナビゲーション, タスク分散のための総合的な枠組みを提案する。 我々は,2つの遅延型Deep Deterministic Policy Gradientアルゴリズムを利用して,DRLに基づく指導機構を提唱する。 DRL学習グラフ畳み込みネットワーク(GCN)による協調型UAV間のタスク分散問題に取り組む。
  論文  参考訳（メタデータ） (2025-02-27T17:53:16Z)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• Active Perception Applied To Unmanned Aerial Vehicles Through Deep Reinforcement Learning [0.5161531917413708]
  本研究は,水面構造物の追跡・認識の問題に取り組むことで,UAVのアクティブな認識に寄与することを目的としている。 本稿では,従来の画像処理技術とDeep-RL(Deep Reinforcement Learning, 深層強化学習)エージェントを用いて,環境を知覚し,不確実性に対処できることを示す。
  論文  参考訳（メタデータ） (2022-09-13T22:51:34Z)
• Vision-Based Autonomous Drone Control using Supervised Learning in Simulation [0.0]
  室内環境におけるMAVの自律的ナビゲーションと着陸にSupervised Learningを用いた視覚に基づく制御手法を提案する。 我々は、低解像度画像とセンサー入力を高レベル制御コマンドにマッピングする畳み込みニューラルネットワーク(CNN)を訓練した。 我々のアプローチは、類似の強化学習アプローチよりも短いトレーニング時間を必要としており、匹敵するSupervised Learningアプローチが直面する手動データ収集の限界を克服する可能性がある。
  論文  参考訳（メタデータ） (2020-09-09T13:45:41Z)

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。