論文の概要: Multi-Agent Off-World Exploration for Sparse Evidence Discovery via Gaussian Belief Mapping and Dual-Domain Coverage

• arxiv url: http://arxiv.org/abs/2603.07650v1
• Date: Sun, 08 Mar 2026 14:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.062248
• Title: Multi-Agent Off-World Exploration for Sparse Evidence Discovery via Gaussian Belief Mapping and Dual-Domain Coverage
• Title（参考訳）: ガウス的信念マッピングとデュアルドメイン被覆によるスパースエビデンス発見のためのマルチエージェントオフワールド探索
• Authors: Zhuoran Qiao, Tianxin Hu, Thien-Minh Nguyen, Shenghai Yuan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.524614683513834
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Off-world multi-robot exploration is challenged by sparse targets, limited sensing, hazardous terrain, and restricted communication. Many scientifically valuable clues are visually ambiguous and often require close-range observations, making efficient and safe informative path planning essential. Existing methods often rely on predefined areas of interest (AOIs), which may be incomplete or biased, and typically handle terrain risk only through soft penalties, which are insufficient for avoiding non-recoverable regions. To address these issues, we propose a multi-agent informative path planning framework for sparse evidence discovery based on Gaussian belief mapping and dual-domain coverage. The method maintains Gaussian-process-based interest and risk beliefs and combines them with trajectory-intent representations to support coordinated sequential decision-making among multiple agents. It further prioritizes search inside the AOI while preserving limited exploration outside it, thereby improving robustness to AOI bias. In addition, the risk-aware design helps agents balance information gain and operational safety in hazardous environments. Experimental results in simulated lunar environments show that the proposed method consistently outperforms sampling-based and greedy baselines under different budgets and communication ranges. In particular, it achieves lower final uncertainty in risk-aware settings and remains robust under limited communication, demonstrating its effectiveness for cooperative off-world robotic exploration.
• Abstract（参考訳）: オフワールドのマルチロボット探査は、スパースターゲット、限定センシング、有害な地形、制限された通信によって挑戦されている。 多くの科学的に価値のある手がかりは視覚的に曖昧であり、しばしば近距離観測を必要とし、効率的で安全な情報経路計画が不可欠である。 既存の手法は、未完成または偏見のある未定義の関心領域(AOIs)に依存し、通常、回復不可能な地域を避けるのに不十分なソフトペナルティ(英語版)によってのみ地形リスクを扱う。 これらの課題に対処するために,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。 この方法はガウス過程に基づく関心とリスクの信念を維持し、それらを軌跡意図表現と組み合わせて、複数のエージェント間の協調的なシーケンシャルな意思決定を支援する。 さらに、AOI内部の探索を優先し、外部での限られた探索を保ち、AOIバイアスに対する堅牢性を向上させる。 さらに、リスク対応設計は、危険環境における情報獲得と運用上の安全性のバランスを取るのに役立つ。 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。 特に、リスク認識設定の最終的な不確実性は低く、限られたコミュニケーションの下でも頑健であり、協調的なオフワールドロボット探索の有効性を実証している。

関連論文リスト

• Hybrid Belief Reinforcement Learning for Efficient Coordinated Spatial Exploration [3.0222726254970174]
  純粋なモデルに基づくアプローチは、構造化された不確実性推定を提供するが、適応的なポリシー学習を欠いている。 本稿では,このギャップに対処するためのハイブリッドな信念強化学習フレームワークを提案する。 その結果、累積報酬は10.8%上昇し、ベースラインよりも38%早く収束した。
  論文  参考訳（メタデータ） (2026-03-04T00:00:34Z)
• RaUF: Learning the Spatial Uncertainty Field of Radar [2.6853734738584047]
  ミリ波レーダーは、悪天候に特有の利点を提供するが、空間の忠実度が低く、方位の曖昧さが強く、乱れによって引き起こされる引き起こされるリターンに悩まされる。 本稿では,レーダ計測を物理的に基底とした異方性特性によってモデル化する空間不確実性学習フレームワークであるRaUFを提案する。 相反する特徴-ラベル間のマッピングを解決するために、細粒度不確実性を学ぶ異方性確率モデルを設計する。
  論文  参考訳（メタデータ） (2026-03-01T10:10:43Z)
• InteGround: On the Evaluation of Verification and Retrieval Planning in Integrative Grounding [51.80327078402434]
  仮説クエリをサポートするために、複数の独立したエビデンスを検索し、検証するという課題である。 まず,LLMは冗長な証拠に対して頑健であるのに対して,情報の不完全な場合,内部知識を合理的に活用する傾向にある。 ノイズ導入による非方向性計画が性能を低下させるのに対して, 前提推論は論理的制約のため, 有望なアプローチとして現れる。
  論文  参考訳（メタデータ） (2025-09-20T04:48:24Z)
• Cooperative Probabilistic Trajectory Forecasting under Occlusion [110.4960878651584]
  隠蔽対象の情報を安全なナビゲーションのためにエゴエージェントに伝達する必要がある場合が多い。 本稿では,エゴエージェントの基準フレームにおける閉塞歩行者の現況を協調的に推定するエンド・ツー・エンドネットワークを設計する。 また,エゴ剤による閉塞歩行者の不確実性を考慮した軌道予測は,閉塞を前提とした地上の真実軌道とほぼ同様であることを示した。
  論文  参考訳（メタデータ） (2023-12-06T05:36:52Z)
• Diffusion Models for Multi-target Adversarial Tracking [0.49157446832511503]
  標的追跡は現実世界のシナリオ、特に薬物輸送の対話において重要な役割を担っている。 無人ドローンの普及に伴い、安全と安全のためには正確な自律目標推定がさらに重要である。 本稿では、敵位置の包括的予測を生成するアプローチであるCADENCE(Constrained Agent-based Diffusion for Enhanced Multi-Agent Tracking)を提案する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:39Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Surveillance Evasion Through Bayesian Reinforcement Learning [78.79938727251594]
  ランダム終端の強度が全く不明な2次元連続経路計画問題を考える。 これらのオブザーバーの監視強度は未知であり、反復的な経路計画を通じて学ぶ必要がある。
  論文  参考訳（メタデータ） (2021-09-30T02:29:21Z)
• Dynamic Subgoal-based Exploration via Bayesian Optimization [7.297146495243708]
  スパース・リワードナビゲーション環境における強化学習は困難であり、効果的な探索の必要性を生じさせる。 本稿では,動的サブゴールに基づく探索手法のクラスを効率的に探索する,費用対効果を考慮したベイズ最適化手法を提案する。 実験により、新しいアプローチは、多くの問題領域で既存のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2019-10-21T04:24:29Z)

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。