論文の概要: Mapping-Guided Task Discovery and Allocation for Robotic Inspection of Underwater Structures

• arxiv url: http://arxiv.org/abs/2602.02389v1
• Date: Mon, 02 Feb 2026 17:51:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.096561
• Title: Mapping-Guided Task Discovery and Allocation for Robotic Inspection of Underwater Structures
• Title（参考訳）: 水中構造物のロボット検査のための地図誘導型タスク発見と配置
• Authors: Marina Ruediger, Ashis G. Banerjee,
• Abstract要約: 水中マルチロボット検査のためのタスク生成は、既存の幾何学の事前知識なしで実現できる。 タスクのセットはSLAMメッシュから生成され、期待されるキーポイントスコアと距離ベースのプルーニングによって最適化される。 その結果, 模擬ヴォロノイ分割とブーストロフェドンパターンを比較し, 試験環境のモデルにおける検査カバレッジについて検討した。
• 参考スコア（独自算出の注目度）: 4.067893012517312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task generation for underwater multi-robot inspections without prior knowledge of existing geometry can be achieved and optimized through examination of simultaneous localization and mapping (SLAM) data. By considering hardware parameters and environmental conditions, a set of tasks is generated from SLAM meshes and optimized through expected keypoint scores and distance-based pruning. In-water tests are used to demonstrate the effectiveness of the algorithm and determine the appropriate parameters. These results are compared to simulated Voronoi partitions and boustrophedon patterns for inspection coverage on a model of the test environment. The key benefits of the presented task discovery method include adaptability to unexpected geometry and distributions that maintain coverage while focusing on areas more likely to present defects or damage.
• Abstract（参考訳）: 既存の形状の事前知識のない水中マルチロボット検査のためのタスク生成は、同時局所化とマッピング(SLAM)データを調べることで達成し、最適化することができる。 ハードウェアパラメータと環境条件を考慮することで、SLAMメッシュからタスクセットを生成し、期待されるキーポイントスコアと距離ベースのプルーニングを通じて最適化する。 水中試験はアルゴリズムの有効性を実証し、適切なパラメータを決定するために用いられる。 これらの結果は, 模擬ボロノイ分割とブーストロフェドンパターンとを比較して, 試験環境のモデルにおける検査カバレッジについて検討した。 提案手法の主な利点は、予期せぬ幾何や分布への適応性であり、欠陥や損傷を生じやすい領域に焦点を合わせながらカバレッジを維持することである。

関連論文リスト

• MADE: Benchmark Environments for Closed-Loop Materials Discovery [26.575933886112157]
  エンド・ツー・エンドの自律材料発見パイプラインをベンチマークする新しいフレームワークであるMAterials Discovery Environments (MADE)を紹介する。 本研究では, 熱力学的に安定な化合物の探索として, 与えられた凸船体に対する探索として発見を定式化し, ベースラインアルゴリズムとの比較による有効性と効率の評価を行った。 システムファミリをまたいだ体系的な実験を行い、発見パイプラインにおけるコンポーネントのアブレーションを可能にし、メソッドとシステムの複雑さを比較することでこれを実証する。
  論文  参考訳（メタデータ） (2026-01-28T19:46:46Z)
• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
  環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。 そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。 特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-06-30T17:14:12Z)
• Good Keypoints for the Two-View Geometry Estimation Problem [48.82616806880012]
  本稿では,2次元幾何推定問題の文脈における特徴点(キーポイント)のスコアリングに関する新しい理論モデルを提案する。 このモデルは、ホモグラフィー推定問題を解くための良いキーポイントが持つべき2つの特性を決定づける。 開発したモデルを用いて、ホモグラフィー推定の恩恵を受けるキーポイントを検出する手法を設計し、バウンドNeSS-STキーポイント検出器を導入する。
  論文  参考訳（メタデータ） (2025-03-24T15:15:36Z)
• Model Predictive Task Sampling for Efficient and Robust Adaptation [57.414812940406996]
  本稿では,タスク空間と適応リスク分布をブリッジするフレームワークであるモデル予測タスクサンプリング(MPTS)を紹介する。 MPTSは、エピソード最適化プロセスの特徴付けに生成モデルを使用し、後部推論によりタスク固有の適応リスクを予測する。 MPTSはゼロショット、少数ショット、教師付き微調整設定にシームレスに統合される。
  論文  参考訳（メタデータ） (2025-01-19T13:14:53Z)
• AMSP-UOD: When Vortex Convolution and Stochastic Perturbation Meet Underwater Object Detection [40.532331552038485]
  AMSP-UOD(Amplitude-Modulated Perturbation and Vortex Convolutional Network)を提案する。 AMSP-UODは複雑な水中環境における非理想的撮像因子が検出精度に与える影響に対処する。 提案手法は,既存の最先端手法よりも精度とノイズ免疫の点で優れる。
  論文  参考訳（メタデータ） (2023-08-23T05:03:45Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Underwater Object Classification and Detection: first results and open challenges [1.1549572298362782]
  本研究は,水中環境における物体検出の問題点を概観する。 我々は、従来の最先端(SOTA)アルゴリズムの欠点を分析し、定量化する。
  論文  参考訳（メタデータ） (2022-01-04T04:54:08Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。