論文の概要: Informative Path Planning with Guaranteed Estimation Uncertainty

• arxiv url: http://arxiv.org/abs/2602.05198v1
• Date: Thu, 05 Feb 2026 01:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.188748
• Title: Informative Path Planning with Guaranteed Estimation Uncertainty
• Title（参考訳）: 不確かさを保証した情報伝達経路計画
• Authors: Kalvik Jakkala, Saurav Agarwal, Jason O'Kane, Srinivas Akella,
• Abstract要約: 環境モニタリング予算ロボットは、厳密な距離とエネルギー制約の下で空間場を再構築する必要がある。 提案手法は,移動経路下でのセンサ位置選択と共同選択・引き抜き問題に対して,精度の高い近似保証付き手法を提案する。 実世界のデータを用いた実験では、より少ないセンシング位置と短い移動距離を用いて、プランナーが不確実な目標に到達していることが示されている。
• 参考スコア（独自算出の注目度）: 7.2097330104931325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Environmental monitoring robots often need to reconstruct spatial fields (e.g., salinity, temperature, bathymetry) under tight distance and energy constraints. Classical boustrophedon lawnmower surveys provide geometric coverage guarantees but can waste effort by oversampling predictable regions. In contrast, informative path planning (IPP) methods leverage spatial correlations to reduce oversampling, yet typically offer no guarantees on reconstruction quality. This paper bridges these approaches by addressing informative path planning with guaranteed estimation uncertainty: computing the shortest path whose measurements ensure that the Gaussian-process (GP) posterior variance -- an intrinsic uncertainty measure that lower-bounds the mean-squared prediction error under the GP model -- falls below a user-specified threshold over the monitoring region. We propose a three-stage approach: (i) learn a GP model from available prior information; (ii) transform the learned GP kernel into binary coverage maps for each candidate sensing location, indicating which locations' uncertainty can be reduced below a specified target; and (iii) plan a near-shortest route whose combined coverage satisfies the global uncertainty constraint. To address heterogeneous phenomena, we incorporate a nonstationary kernel that captures spatially varying correlation structure, and we accommodate non-convex environments with obstacles. Algorithmically, we present methods with provable approximation guarantees for sensing-location selection and for the joint selection-and-routing problem under a travel budget. Experiments on real-world topographic data show that our planners meet the uncertainty target using fewer sensing locations and shorter travel distances than a recent baseline, and field experiments with bathymetry-mapping autonomous surface and underwater vehicles demonstrate real-world feasibility.
• Abstract（参考訳）: 環境モニタリングロボットは、しばしば、狭い距離とエネルギー制約の下で空間場(例えば、塩分濃度、温度、水浴量計)を再構築する必要がある。 古典的なブストロフェドン芝刈り機による調査は、幾何学的カバレッジの保証を提供するが、予測可能な地域をオーバーサンプリングすることで、無駄な労力を省くことができる。 対照的に、情報経路計画法(IPP)は、オーバーサンプリングを減らすために空間相関を利用するが、通常、再建品質の保証は提供しない。 本稿では,GPモデルの下で平均二乗予測誤差を下限とする本質的な不確実性尺度であるガウス過程(GP)後方分散が,監視領域上のユーザ特定しきい値以下であることを保証した最短経路の計算を行う。 3段階のアプローチを提案する。 (i)利用可能な事前情報からGPモデルを学ぶ。 (ii)学習したGPカーネルを各候補検知位置のバイナリカバレッジマップに変換し、指定された目標値以下でどの位置の不確かさを減じるかを示す。 三 世界的不確実性制約を包含する最短の経路を計画すること。 不均一な現象に対処するため、空間的に異なる相関構造をキャプチャする非定常カーネルを導入し、障害物を伴う非凸環境に適応する。 提案手法は,移動予算下での検知位置選択と共同選択・ルーティング問題に対して,検証可能な近似保証付き手法を提案する。 実世界の地形データを用いた実験により,我々のプランナーは,近年のベースラインよりも検出位置が少なく,移動距離も短いことから,不確実性を達成できた。

関連論文リスト

• Multi-Agent Off-World Exploration for Sparse Evidence Discovery via Gaussian Belief Mapping and Dual-Domain Coverage [15.524614683513834]
  本稿では,ガウス的信念マッピングと二重領域カバレッジに基づくスパースエビデンス発見のためのマルチエージェント情報経路計画フレームワークを提案する。 シミュレーションした月面環境における実験結果から,提案手法は,異なる予算と通信範囲でサンプリングベースおよびグリーディベースラインを一貫して上回ることがわかった。
  論文  参考訳（メタデータ） (2026-03-08T14:27:41Z)
• U-OBCA: Uncertainty-Aware Optimization-Based Collision Avoidance via Wasserstein Distributionally Robust Chance Constraints [20.749251189493563]
  移動障害物や環境障害の軌道予測誤差から生じる不確実性は、ロボットの安全なナビゲーションに重大な課題をもたらす。 既存の不確実性を意識したプランナーは、円や楕円のような単純な幾何学的プリミティブを用いて、多角形ロボットや障害物を近似することが多い。 我々は、最適化に基づく衝突回避フレームワークを、emphU-OBCAと呼ばれる不確実性を考慮した定式化に拡張する。 U-OBCAは軌道計画における保守性を著しく軽減し,既存のベースライン法と比較して航法効率を向上することを示す。
  論文  参考訳（メタデータ） (2026-03-05T07:59:09Z)
• Geometry-Aware Uncertainty Quantification via Conformal Prediction on Manifolds [3.2848713528308817]
  本研究では, ユークリッド残差を測地的非整合性スコアに置き換え, 異方性雑音に対処するためのクロスバリデード困難度推定器を用いて正規化する枠組みを提案する。 得られた予測領域は、球面上の測地的キャップであり、位置に依存しない領域を持ち、その大きさを局所的な予測困難に適応させ、非適応的な領域よりもはるかに均一な条件付きカバレッジをもたらす。
  論文  参考訳（メタデータ） (2026-02-17T21:12:47Z)
• Calibrated Probabilistic Interpolation for GEDI Biomass [0.0]
  本稿では,局所観測セット上での予測条件を明示する確率的メタラーニングフレームワークであるAttentive Neural Processs (ANPs)を紹介する。 本研究では,熱帯アマゾン林からボレアル,アルプスの5つの生態系にまたがるアプローチを検証した。 この研究は、大陸規模の地球観測のためのアンサンブル分散の、スケーラブルで理論的に厳密な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-01-23T15:35:33Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning [6.015556590955814]
  ローカルプランニング」アプローチでは,次回のサンプリング場所の優先順位が予測性能や帰路距離に与える影響を調査するために,様々な空間範囲が採用されている。 温度モニタリングロボットの使用事例実験により、プランナーの動的混合物は高度な情報プランを生成できるだけでなく、予測信頼性を犠牲にすることなく、大幅に距離を縮めることができることが示された。
  論文  参考訳（メタデータ） (2021-08-14T21:32:33Z)
• Temporal Difference Uncertainties as a Signal for Exploration [76.6341354269013]
  強化学習における探索の効果的なアプローチは、最適な政策に対するエージェントの不確実性に依存することである。 本稿では,評価値のバイアスや時間的に矛盾する点を強調した。 本稿では,時間差誤差の分布の導出に依存する値関数の不確かさを推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-05T18:11:22Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。