論文の概要: Hierarchical Multi-Modal Planning for Fixed-Altitude Sparse Target Search and Sampling

• arxiv url: http://arxiv.org/abs/2603.08336v1
• Date: Mon, 09 Mar 2026 12:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.099376
• Title: Hierarchical Multi-Modal Planning for Fixed-Altitude Sparse Target Search and Sampling
• Title（参考訳）: 固定高度スパース目標探索とサンプリングのための階層的マルチモーダル計画
• Authors: Lingpeng Chen, Yuchen Zheng, Apple Pui-Yi Chui, Junfeng Wu, Ziyang Hong,
• Abstract要約: HIMoSはサンゴの探索とサンプルの分離のための固定高度フレームワークである。 システムは、異質なセンサースイートを2層計画アーキテクチャに統合する。
• 参考スコア（独自算出の注目度）: 8.90200464018944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient monitoring of sparse benthic phenomena, such as coral colonies, presents a great challenge for Autonomous Underwater Vehicles. Traditional exhaustive coverage strategies are energy-inefficient, while recent adaptive sampling approaches rely on costly vertical maneuvers. To address these limitations, we propose HIMoS (Hierarchical Informative Multi-Modal Search), a fixed-altitude framework for sparse coral search-and-sample missions. The system integrates a heterogeneous sensor suite within a two-layer planning architecture. At the strategic level, a Global Planner optimizes topological routes to maximize potential discovery. At the tactical level, a receding-horizon Local Planner leverages differentiable belief propagation to generate kinematically feasible trajectories that balance acoustic substrate exploration, visual coral search, and close-range sampling. Validated in high-fidelity simulations derived from real-world coral reef benthic surveys, our approach demonstrates superior mission efficiency compared to state-of-the-art baselines.
• Abstract（参考訳）: サンゴコロニーのような疎水性現象の効率的なモニタリングは、自律型水中車両にとって大きな課題となる。 従来の網羅的網羅的戦略はエネルギー非効率であり、最近の適応型サンプリングアプローチはコストのかかる垂直な操作に依存している。 これらの制約に対処するため,サンゴ探索・サンプル探索のための固定高度フレームワークHIMoS(Hierarchical Informative Multi-Modal Search)を提案する。 このシステムは、異質なセンサースイートを2層計画アーキテクチャに統合する。 戦略的レベルでは、グローバルプランナーがトポロジカルなルートを最適化し、潜在的な発見を最大化する。 戦術レベルでは、レディング・ホライゾン・ローカル・プランナーは、異なる信念の伝播を利用して、音響基板探索、視覚的サンゴ探索、および近距離サンプリングのバランスをとる運動的に実現可能な軌道を生成する。 実世界のサンゴ礁ベントニックサーベイから得られた高忠実度シミュレーションで検証した結果,本手法は最先端のベースラインに比べてミッション効率が優れていることが示された。

関連論文リスト

• Autonomous Search for Sparsely Distributed Visual Phenomena through Environmental Context Modeling [19.849681217543036]
  AUVはサンゴ礁の調査にますます使われているが、特定のサンゴの種を効率的に見つけることは依然として困難である。 我々は、その信号として視覚環境コンテキスト(標的種と共生する傾向がある生息環境特徴)を用いることを提案する。 我々は,アメリカ領ヴァージン諸島セントジョンの2つのサンゴ礁でAUVが収集した実際の画像を用いて,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-03-10T19:11:34Z)
• RAGNav: A Retrieval-Augmented Topological Reasoning Framework for Multi-Goal Visual-Language Navigation [1.7508558850131373]
  Vision-Language Navigation (VLN) は、シングルポイントパスフィンディングからより挑戦的なMulti-Goal VLNへと進化している。 RAGNavは意味論的推論と物理的構造の間のギャップを埋めるフレームワークである。
  論文  参考訳（メタデータ） (2026-03-04T05:31:33Z)
• Dynamic Topology Awareness: Breaking the Granularity Rigidity in Vision-Language Navigation [22.876516699004814]
  VLN-CE(Vision-Language Navigation in Continuous Environments)は、高レベルの言語命令を正確で安全で長期の空間行動に基礎付けるという、中核的な課題を提示している。 露骨なトポロジカルマップは、そのようなタスクにおいて堅牢な空間記憶を提供するための重要な解決策であることが証明されている。 既存のトポロジカルプランニング手法は、"Granularity Rigidity"問題に悩まされている。 本研究では,動的トポロジカルナビゲーションのためのフレームワークであるDGNavを提案する。
  論文  参考訳（メタデータ） (2026-01-29T14:06:23Z)
• Enhancing Adversarial Transferability by Balancing Exploration and Exploitation with Gradient-Guided Sampling [82.52485740425321]
  アドリアックは、ディープニューラルネットワークの堅牢性にとって重要な課題である。 敵攻撃の伝達性は、爆発(最大攻撃能力)と探索(クロスモデル一般化の促進)のジレンマに直面している
  論文  参考訳（メタデータ） (2025-11-01T05:43:47Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• SimpleDeepSearcher: Deep Information Seeking via Web-Powered Reasoning Trajectory Synthesis [94.33978856270268]
  Retrieval-augmented Generation (RAG) システムは複雑なディープ検索シナリオにおいて高度な大規模言語モデル(LLM)を持つ。 既存のアプローチでは、高品質なトレーニングトラジェクトリが欠如し、分散ミスマッチに苦しむ、重要な制限に直面しています。 本稿では,複雑なトレーニングパラダイムではなく,戦略的データエンジニアリングによるギャップを埋めるフレームワークであるSimpleDeepSearcherを紹介する。
  論文  参考訳（メタデータ） (2025-05-22T16:05:02Z)
• Action abstractions for amortized sampling [49.384037138511246]
  本稿では、政策最適化プロセスに行動抽象化(高レベルの行動)の発見を組み込むアプローチを提案する。 我々のアプローチでは、多くの高次軌道にまたがってよく使われるアクション列を反復的に抽出し、それらをアクション空間に追加する単一のアクションにチャンキングする。
  論文  参考訳（メタデータ） (2024-10-19T19:22:50Z)
• Few-shot Scooping Under Domain Shift via Simulated Maximal Deployment Gaps [25.102403059931184]
  本稿では,少数のスクーピング問題を考察し,視覚に基づく適応型スクーピング戦略を提案する。 私たちは、オフラインのトレーニングデータセットからシミュレートされたデプロイメントギャップを作成することで、大規模なドメインシフトに対応するために、ディープカーネルモデルをトレーニングします。 提案手法はまた、ゼロショット転送能力を示し、NASA OWLATプラットフォームへの適応に成功した。
  論文  参考訳（メタデータ） (2024-08-06T04:25:09Z)
• 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。