論文の概要: AI-Augmented Density-Driven Optimal Control (D2OC) for Decentralized Environmental Mapping

• arxiv url: http://arxiv.org/abs/2601.21126v1
• Date: Wed, 28 Jan 2026 23:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.993688
• Title: AI-Augmented Density-Driven Optimal Control (D2OC) for Decentralized Environmental Mapping
• Title（参考訳）: 分散環境マッピングのためのAI強化密度駆動最適制御(D2OC)
• Authors: Kooktae Lee, Julian Martinez,
• Abstract要約: 本稿では,センサと通信の制限下でのマルチエージェント環境マッピングのためのAI拡張型分散フレームワークを提案する。 提案手法では, エージェントが局所密度推定を反復的に洗練できる適応的, 自己補正機構を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an AI-augmented decentralized framework for multi-agent (multi-robot) environmental mapping under limited sensing and communication. While conventional coverage formulations achieve effective spatial allocation when an accurate reference map is available, their performance deteriorates under uncertain or biased priors. The proposed method introduces an adaptive and self-correcting mechanism that enables agents to iteratively refine local density estimates within an optimal transport-based framework, ensuring theoretical consistency and scalability. A dual multilayer perceptron (MLP) module enhances adaptivity by inferring local mean-variance statistics and regulating virtual uncertainty for long-unvisited regions, mitigating stagnation around local minima. Theoretical analysis rigorously proves convergence under the Wasserstein metric, while simulation results demonstrate that the proposed AI-augmented Density-Driven Optimal Control consistently achieves robust and precise alignment with the ground-truth density, yielding substantially higher-fidelity reconstruction of complex multi-modal spatial distributions compared with conventional decentralized baselines.
• Abstract（参考訳）: 本稿では,センサと通信の制限下でのマルチエージェント環境マッピングのためのAI拡張型分散フレームワークを提案する。 従来のカバレッジの定式化は、正確な参照マップが利用可能である場合、効果的な空間割当を実現するが、その性能は、不確かさや偏りのある事前条件下で劣化する。 提案手法では, 適応的・自己補正機構を導入し, エージェントが最適輸送ベースフレームワーク内で局所密度推定を反復的に洗練し, 理論的整合性と拡張性を確保する。 二重多層パーセプトロン(MLP)モジュールは、局所的な平均分散統計を推測し、長い視認できない領域の仮想的不確実性を規制し、局所的なミニマの周りに停滞を緩和することにより適応性を高める。 理論解析は、ワッサーシュタイン計量の下での収束を厳密に証明し、一方、シミュレーションの結果、提案したAI拡張密度駆動最適制御は、基底構造密度との堅牢かつ正確な整合性を一貫して達成し、従来の分散化された基底線と比較して、複素多モード空間分布のかなり高い忠実度再構成をもたらすことを示した。

関連論文リスト

• Computationally Efficient Density-Driven Optimal Control via Analytical KKT Reduction and Contractive MPC [0.0]
  集合空間分布の効率的な調整は、マルチエージェントシステムにおける基本的な課題である。 我々は、T-水平KKT系を縮合二次計画(QP)に変換する解析的構造還元を提案する。 この定式化はO(T)線形スケーラビリティを実現し、従来のO(T3)アプローチと比較してオンライン計算の負担を大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-19T05:23:21Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• MMP-A*: Multimodal Perception Enhanced Incremental Heuristic Search on Path Planning [8.522882937983972]
  MMP-A* は、視覚言語モデルの空間的接地機能と、新しい適応的減衰機構を統合するマルチモーダルフレームワークである。 MMP-A* は操作コストを大幅に削減し, ほぼ最適軌道を達成できることを示す。
  論文  参考訳（メタデータ） (2026-01-05T08:55:27Z)
• What Makes Local Updates Effective: The Role of Data Heterogeneity and Smoothness [5.357435119431715]
  この論文は、異種環境における局所SGDの分析のための自己完結型ガイドに寄与する。 この論文はオンライン学習にも拡張され、ファーストオーダーとバンディットの両方のフィードバックの下で基本的な境界を提供する。
  論文  参考訳（メタデータ） (2025-06-30T19:06:02Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Sparse Optimization for Transfer Learning: A L0-Regularized Framework for Multi-Source Domain Adaptation [9.605924781372849]
  L0-regularizationに基づくSparse Optimization for Transfer Learningフレームワークを提案する。 シミュレーションにより、SOTLは推定精度と計算速度の両方を著しく改善することが示された。 コミュニティと犯罪のベンチマークにおける実証的検証は、クロスドメイン転送におけるSOTL法の統計的堅牢性を示している。
  論文  参考訳（メタデータ） (2025-04-07T08:06:16Z)
• Decentralized Inference for Spatial Data Using Low-Rank Models [4.168323530566095]
  本稿では,空間的低ランクモデルにおけるパラメータ推論に適した分散化フレームワークを提案する。 重要な障害は、観測中の空間的依存から生じ、ログのような状態が要約として表現されるのを防ぐ。 提案手法では,効率的なパラメータ最適化のために,マルチセンサと動的コンセンサス平均化を統合したブロック降下法を用いる。
  論文  参考訳（メタデータ） (2025-02-01T04:17:01Z)
• Stability and Generalization for Distributed SGDA [70.97400503482353]
  分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。 我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。 理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2024-11-14T11:16:32Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
  離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。 最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
  論文  参考訳（メタデータ） (2022-09-16T22:09:53Z)

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。