論文の概要: Learn for Variation: Variationally Guided AAV Trajectory Learning in Differentiable Environments

• arxiv url: http://arxiv.org/abs/2603.18853v1
• Date: Thu, 19 Mar 2026 12:57:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.149059
• Title: Learn for Variation: Variationally Guided AAV Trajectory Learning in Differentiable Environments
• Title（参考訳）: 変分学習:異なる環境下での変分誘導型AAV軌道学習
• Authors: Xiucheng Wang, Zhenye Chen, Nan Cheng,
• Abstract要約: Learn for Variation (L4V)は勾配インフォームドな軌道学習フレームワークである。 高分散スカラー報酬信号を高密度で解析的に基底化されたポリシー勾配に置き換える。 L4Vは、ミッション完了時間、平均送信速度、訓練コストにおいて、代表ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 21.594684328904403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous aerial vehicles (AAVs) empower sixth-generation (6G) Internet-of-Things (IoT) networks through mobility-driven data collection. However, conventional reward-driven reinforcement learning for AAV trajectory planning suffers from severe credit assignment issues and training instability, because sparse scalar rewards fail to capture the long-term and nonlinear effects of sequential movements. To address these challenges, this paper proposes Learn for Variation (L4V), a gradient-informed trajectory learning framework that replaces high-variance scalar reward signals with dense and analytically grounded policy gradients. Particularly, the coupled evolution of AAV kinematics, distance-dependent channel gains, and per-user data-collection progress is first unrolled into an end-to-end differentiable computational graph. Backpropagation through time then serves as a discrete adjoint solver, which propagates exact sensitivities from the cumulative mission objective to every control action and policy parameter. These structured gradients are used to train a deterministic neural policy with temporal smoothness regularization and gradient clipping. Extensive simulations demonstrate that L4V consistently outperforms representative baselines, including a genetic algorithm, DQN, A2C, and DDPG, in mission completion time, average transmission rate, and training cost
• Abstract（参考訳）: 自律航空車両(AAV)は、モビリティ駆動のデータ収集を通じて第6世代(6G)のIoT(Internet-of-Things)ネットワークに権限を与える。 しかしながら、従来のAAV軌道計画における報酬駆動型強化学習は、スカラー報酬がシーケンシャルな動きの長期的・非線形的効果を捉えないため、深刻な信用割り当て問題と訓練不安定性に悩まされる。 これらの課題に対処するために,高分散スカラー報酬信号を高密度かつ解析的基盤の政策勾配に置き換える勾配インフォームド・トラジェクトリ学習フレームワークであるLearing for Variation (L4V)を提案する。 特に,AAVキネマティクスの進化,距離依存チャネルゲイン,ユーザ毎のデータ収集の進展が,エンド・ツー・エンドの微分可能な計算グラフに展開される。 その後のバックプロパゲーションは個別の随伴解法として機能し、累積的なミッション目標から全てのコントロールアクションとポリシーパラメータへの正確な感度を伝達する。 これらの構造的勾配は、時間的滑らか性正規化と勾配クリッピングによる決定論的神経政策の訓練に使用される。 大規模なシミュレーションにより、L4Vはミッション完了時間、平均伝送速度、トレーニングコストなど、遺伝的アルゴリズム、DQN、A2C、DDPGを含む代表ベースラインを一貫して上回っていることが示された。

関連論文リスト

• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• GradAlign: Gradient-Aligned Data Selection for LLM Reinforcement Learning [55.03441672267886]
  強化学習のための勾配整列データ選択法GradAlignを提案する。 GradAlignは,信頼できない報酬信号,分散不均衡,低ユーティリティトレーニングコーパスの3つにまたがって評価する。
  論文  参考訳（メタデータ） (2026-02-25T01:54:50Z)
• ASTRO: Adaptive Stitching via Dynamics-Guided Trajectory Rollouts [22.46606397400043]
  本稿では,データ拡張フレームワークASTROを提案する。 ASTROはまず時間距離の表現を学習し、区別され、到達可能な縫合ターゲットを特定する。 次に、動的誘導型縫合プランナを用い、ロールアウト偏差フィードバックを介して接続動作シーケンスを適応的に生成する。
  論文  参考訳（メタデータ） (2025-11-28T18:35:37Z)
• Compensating Distribution Drifts in Class-incremental Learning of Pre-trained Vision Transformers [27.14203097630326]
  本稿では、遅延空間遷移演算子を導入し、ドリフト補償を用いた逐次学習を提案する。 SLDCは、ドリフトの影響を軽減するために、タスク間で機能の分散を調整することを目的としている。 標準CILベンチマークの実験では、SLDCはSeqFTの性能を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-11-13T03:40:54Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• TD-JEPA: Latent-predictive Representations for Zero-Shot Reinforcement Learning [63.73629127832652]
  本稿では,TDに基づく潜在予測表現を教師なしRLに活用するTD-JEPAを紹介する。 TD-JEPAは、明示的な状態とタスクエンコーダ、ポリシー条件付きマルチステップ予測器、パラメータ化されたポリシーのセットを潜時空間で直接訓練する。 実証的には、TD-JEPAは13のデータセットにわたる移動、ナビゲーション、操作のタスクにおいて、最先端のベースラインをマッチまたは上回る。
  論文  参考訳（メタデータ） (2025-10-01T10:21:18Z)
• DyTTP: Trajectory Prediction with Normalization-Free Transformers [0.0]
  トランスフォーマーベースのアーキテクチャは、複雑な堅牢性依存関係をキャプチャする上で大きな可能性を証明している。 これらの課題に対処するための2つのアプローチを提案する。 まず、トランスフォーマーを促進する最新の方法であるDynamicTanh(DyT)をバックボーンに統合し、従来のレイヤ正規化を置き換える。 DyTを軌道予測タスクにデプロイする最初の作業です。
  論文  参考訳（メタデータ） (2025-04-07T09:26:25Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Learning Representative Trajectories of Dynamical Systems via Domain-Adaptive Imitation [0.0]
  ドメイン適応軌道模倣のための深層強化学習エージェントDATIを提案する。 実験の結果,DATIは模擬学習と最適制御のベースライン手法よりも優れていることがわかった。 実世界のシナリオへの一般化は、海上交通における異常な動きパターンの発見を通じて示される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:48Z)

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。