論文の概要: Reinforcement Learning-Based Energy-Aware Coverage Path Planning for Precision Agriculture
- arxiv url: http://arxiv.org/abs/2601.16405v1
- Date: Fri, 23 Jan 2026 02:33:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-26 14:27:27.512211
- Title: Reinforcement Learning-Based Energy-Aware Coverage Path Planning for Precision Agriculture
- Title（参考訳）: 精密農業のための強化学習型エネルギー意識被覆経路計画
- Authors: Beining Wu, Zihao Ding, Leo Ostigaard, Jun Huang,
- Abstract要約: 本稿では,SAC(Soft Actor-Critic)強化学習に基づくエネルギー対応CPPフレームワークを提案する。
エネルギー制限下での堅牢で適応的な意思決定を可能にするため、このフレームワークは空間的特徴抽出のためにCNN(Conal Neural Networks)を統合している。
専用報酬関数は、カバレッジ効率、エネルギー消費、ベース間のリターン制約を共同で最適化するように設計されている。
- 参考スコア（独自算出の注目度）: 6.218614094739671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coverage Path Planning (CPP) is a fundamental capability for agricultural robots; however, existing solutions often overlook energy constraints, resulting in incomplete operations in large-scale or resource-limited environments. This paper proposes an energy-aware CPP framework grounded in Soft Actor-Critic (SAC) reinforcement learning, designed for grid-based environments with obstacles and charging stations. To enable robust and adaptive decision-making under energy limitations, the framework integrates Convolutional Neural Networks (CNNs) for spatial feature extraction and Long Short-Term Memory (LSTM) networks for temporal dynamics. A dedicated reward function is designed to jointly optimize coverage efficiency, energy consumption, and return-to-base constraints. Experimental results demonstrate that the proposed approach consistently achieves over 90% coverage while ensuring energy safety, outperforming traditional heuristic algorithms such as Rapidly-exploring Random Tree (RRT), Particle Swarm Optimization (PSO), and Ant Colony Optimization (ACO) baselines by 13.4-19.5% in coverage and reducing constraint violations by 59.9-88.3%. These findings validate the proposed SAC-based framework as an effective and scalable solution for energy-constrained CPP in agricultural robotics.
- Abstract（参考訳）: カバー・パス・プランニング(CPP)は農業用ロボットの基本的な機能であるが、既存のソリューションはエネルギーの制約を無視し、大規模または資源に制限された環境での不完全な運用をもたらすことが多い。
本稿では,SAC(Soft Actor-Critic)強化学習を基盤としたエネルギー対応CPPフレームワークを提案する。
エネルギー制限下での堅牢で適応的な意思決定を可能にするため、このフレームワークは空間的特徴抽出のための畳み込みニューラルネットワーク(CNN)と時間力学のための長短記憶(LSTM)ネットワークを統合している。
専用報酬関数は、カバレッジ効率、エネルギー消費、ベース間のリターン制約を共同で最適化するように設計されている。
実験の結果、提案手法はエネルギー安全性を確保しつつ、90%以上のカバレッジを実現し、RRT(Rapidly-Exploring Random Tree)、PSO(Particle Swarm Optimization)、At Colony Optimization(Ant Colony Optimization)のベースラインを13.4-19.5%削減し、制約違反を59.9-88.3%削減した。
これらの結果は,農業ロボット工学におけるエネルギー制約型CPPの有効かつスケーラブルなソリューションとして提案されたSACベースのフレームワークを検証した。
関連論文リスト
- Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Generalising Battery Control in Net-Zero Buildings via Personalised Federated RL [5.195669033269619]
本研究は,協調的・プライバシ保護フレームワークによる建築用マイクログリッドの最適エネルギー管理の課題について考察する。
我々は、分散エネルギー資源を管理するために、異なる協調的な設定で2つの共通RLアルゴリズム(PPOとTRPO)を評価する。
弊社のアプローチは、エネルギーコストと二酸化炭素排出量の削減と、プライバシーの確保に重点を置いている。
論文 参考訳（メタデータ） (2024-12-30T13:38:31Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳（メタデータ） (2023-06-25T13:10:38Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Threshold-Based Data Exclusion Approach for Energy-Efficient Federated
Edge Learning [4.25234252803357]
Federated Edge Learning (FEEL) は次世代無線ネットワークにおいて有望な分散学習技術である。
FEELは、モデルトレーニングラウンド中に消費される電力により、エネルギー制約された参加機器の寿命を大幅に短縮する可能性がある。
本稿では,FEELラウンドにおける計算および通信エネルギー消費を最小化するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T13:34:40Z) - ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of
Harvested Energy [0.8774604259603302]
本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。
提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。
このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
論文 参考訳（メタデータ） (2021-02-26T17:21:25Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。