論文の概要: Cross domain Persistent Monitoring for Hybrid Aerial Underwater Vehicles

• arxiv url: http://arxiv.org/abs/2602.21259v1
• Date: Mon, 23 Feb 2026 20:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.680401
• Title: Cross domain Persistent Monitoring for Hybrid Aerial Underwater Vehicles
• Title（参考訳）: ハイブリッド航空水中車両のクロスドメイン持続モニタリング
• Authors: Ricardo B. Grando, Victor A. Kich, Alisson H. Kolling, Junior C. D. Jesus, Rodrigo S. Guerra, Paulo L. J. Drews-Jr,
• Abstract要約: HUAUV(Hybrid Unmanned Aerial Underwater Vehicles)は、空中および水中の両方で運用可能なプラットフォームとして登場した。 本稿では, 深層強化学習(DRL)とトランスファー学習を組み合わせたHUAUVの持続的モニタリングタスクを提案する。 我々のアプローチでは、Lidarセンサーデータ(空中)とSonarデータ(水中)に基づいて訓練された共有DRLアーキテクチャを採用している。
• 参考スコア（独自算出の注目度）: 0.9934207743866789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid Unmanned Aerial Underwater Vehicles (HUAUVs) have emerged as platforms capable of operating in both aerial and underwater environments, enabling applications such as inspection, mapping, search, and rescue in challenging scenarios. However, the development of novel methodologies poses significant challenges due to the distinct dynamics and constraints of the air and water domains. In this work, we present persistent monitoring tasks for HUAUVs by combining Deep Reinforcement Learning (DRL) and Transfer Learning to enable cross-domain adaptability. Our approach employs a shared DRL architecture trained on Lidar sensor data (on air) and Sonar data (underwater), demonstrating the feasibility of a unified policy for both environments. We further show that the methodology presents promising results, taking into account the uncertainty of the environment and the dynamics of multiple mobile targets. The proposed framework lays the groundwork for scalable autonomous persistent monitoring solutions based on DRL for hybrid aerial-underwater vehicles.
• Abstract（参考訳）: HUAUV(Hybrid Unmanned Aerial Underwater Vehicles)は、空中および水中の両方で運用可能なプラットフォームとして登場し、困難なシナリオにおける検査、マッピング、捜索、救助などの応用を可能にしている。 しかし、新しい手法の開発は、空気と水領域の異なる力学と制約のために大きな課題を生んでいる。 本研究では,深部強化学習(DRL)とトランスファーラーニングを組み合わせることで,HUAUVの持続的なモニタリングタスクを提案し,ドメイン間の適応性を実現する。 提案手法では,Lidarセンサデータ(空気中)とSonarデータ(水中)に基づいて学習した共有DRLアーキテクチャを用いて,両環境の統一ポリシの実現可能性を示す。 さらに,本手法は,環境の不確実性や複数の移動目標のダイナミックスを考慮した,有望な結果を示すことを示す。 提案するフレームワークは, DRLをベースとした, スケーラブルな自律型持続監視ソリューションの基盤となる。

関連論文リスト

• Digital Twin Supervised Reinforcement Learning Framework for Autonomous Underwater Navigation [0.0]
  本稿では,科学実験に広く利用されているオープンプラットフォームであるBlueROV2の事例を通して,課題を考察する。 本稿では,PPOアルゴリズムに基づく深層強化学習手法を提案する。 以上の結果から, PPO政策は高度に乱雑な環境でのDWAを一貫して上回っていることが示唆された。
  論文  参考訳（メタデータ） (2025-12-11T18:52:42Z)
• Depth-Constrained ASV Navigation with Deep RL and Limited Sensing [43.785833390490446]
  本研究では,深度制約下でのASVナビゲーションのための強化学習フレームワークを提案する。 環境意識を高めるため,GPレグレッションをRLフレームワークに統合する。 我々は,実世界の水環境に対して,訓練された政策が適切に一般化されることを保証する効果的なシミュレート・トゥ・リアル・トランスファーを実証する。
  論文  参考訳（メタデータ） (2025-04-25T10:56:56Z)
• Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
  本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。 車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。 ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
  論文  参考訳（メタデータ） (2024-10-08T10:35:32Z)
• Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
  ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。 具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。 実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-30T23:20:23Z)
• Aeolus Ocean -- A simulation environment for the autonomous COLREG-compliant navigation of Unmanned Surface Vehicles using Deep Reinforcement Learning and Maritime Object Detection [0.0]
  海上部門における無人水上機(USV)の航行自律性は、より安全な水と運用コストの削減につながる可能性がある。 本稿では, 現実的な海洋シミュレーション環境において, COLREG 準拠の DRL を用いた衝突回避航法システムの開発について述べる。
  論文  参考訳（メタデータ） (2023-07-13T11:20:18Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)
• Counterfactual Vision-and-Language Navigation via Adversarial Path Sampling [65.99956848461915]
  VLN(Vision-and-Language Navigation)は、エージェントが目標を達成するために3D環境を移動する方法を決定するタスクである。 VLNタスクの問題点の1つは、対話型環境において、人間に注釈を付けた指示で十分なナビゲーションパスを収集することは困難であるため、データの不足である。 本稿では,低品質な拡張データではなく,効果的な条件を考慮可能な,対向駆動の反実的推論モデルを提案する。
  論文  参考訳（メタデータ） (2019-11-17T18:02:51Z)

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。