論文の概要: Reason-to-Transmit: Deliberative Adaptive Communication for Cooperative Perception

• arxiv url: http://arxiv.org/abs/2603.20308v1
• Date: Thu, 19 Mar 2026 15:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.825907
• Title: Reason-to-Transmit: Deliberative Adaptive Communication for Cooperative Perception
• Title（参考訳）: Reason-to-Transmit:協調知覚のための熟考的適応コミュニケーション
• Authors: Aayam Bansal, Ishaan Gangwani,
• Abstract要約: Reason-to-Transmit (R2T) は、各エージェントに軽量トランスフォーマーベースのモジュールを装備するフレームワークである。 R2Tは、鳥眼視環境において、9つの基準線に対して評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cooperative perception among autonomous agents overcomes the limitations of single-agent sensing, but bandwidth constraints in vehicle-to-everything (V2X) networks require efficient communication policies. Existing approaches rely on reactive mechanisms, such as confidence maps, learned gating, or sparse masks, to decide what to transmit, without reasoning about why a message benefits the receiver. We introduce Reason-to-Transmit (R2T), a framework that equips each agent with a lightweight transformer-based module that reasons over local scene context, estimated neighbor information gaps, and bandwidth budget to make per-region transmission decisions. Trained end-to-end with a bandwidth-aware objective, R2T is evaluated against nine baselines in a multi-agent bird's-eye-view perception environment. Any communication improves performance by about 58% AP over no communication. At low bandwidth, all selective methods perform similarly, but R2T shows clear gains under high occlusion, where information asymmetry is greatest, approaching oracle performance. All methods degrade gracefully under packet drops up to 50%, showing robustness to communication failures. These results indicate that while fusion design dominates performance, deliberative communication provides additional gains in challenging scenarios. R2T introduces a reasoning-based approach to communication, enabling more efficient and context-aware information sharing in cooperative perception.
• Abstract（参考訳）: 自律エージェント間の協調認識は単一エージェントセンシングの限界を克服するが、V2Xネットワークにおける帯域幅制限は効率的な通信ポリシーを必要とする。 既存のアプローチでは、メッセージが受信者に利益をもたらす理由を推論することなく、信頼できるマップや学習ゲーティング、スパースマスクといったリアクティブなメカニズムを使用して、送信するものを決定する。 R2T(Reason-to-Transmit)は、各エージェントに、ローカルシーンコンテキスト、推定隣人情報ギャップ、帯域幅の予算を考慮し、地域ごとの送信決定を行う軽量トランスフォーマーベースのモジュールを装備するフレームワークである。 マルチエージェントの鳥眼視知覚環境において、R2Tは、帯域幅を意識したエンドツーエンドで訓練され、9つのベースラインに対して評価される。 どんな通信でも、通信無しでAPが約58%向上する。 低帯域幅では、全ての選択的手法も同様に機能するが、R2Tは、情報非対称性が最大であり、オラクル性能に近づき、高いオクルージョンの下で明確な利得を示す。 すべてのメソッドはパケットの下で優雅に分解され、50%まで低下し、通信障害に対する堅牢性を示す。 これらの結果から, 融合設計が性能を左右する一方で, 検討的なコミュニケーションは, 挑戦的なシナリオにおいてさらなる利益をもたらすことが示唆された。 R2Tは、コミュニケーションに対する推論に基づくアプローチを導入し、協調的な知覚において、より効率的で文脈に応じた情報共有を可能にする。

関連論文リスト

• Bandwidth-Efficient Multi-Agent Communication through Information Bottleneck and Vector Quantization [2.5782420501870296]
  本稿では,情報ボトルネック理論とベクトル量子化を組み合わせることで,マルチエージェント環境における選択的,帯域幅効率の高い通信を実現するフレームワークを提案する。 提案手法は,情報理論の原理的最適化により,タスククリティカルな情報を保存しながら,通信メッセージを圧縮・復号化することを学ぶ。
  論文  参考訳（メタデータ） (2026-02-02T12:32:28Z)
• Communication-Efficient Multi-Modal Edge Inference via Uncertainty-Aware Distributed Learning [60.650628083185616]
  トレーニングと推論効率を向上させるために,3段階のコミュニケーション対応分散学習フレームワークを提案する。 StageIでは、デバイスがローカルなマルチモーダルな自己教師型学習を行い、デバイス-サーバ交換なしで共有およびモダリティ固有のエンコーダを得る。 集中的な顕在的融合校正による分散微調整は、モダリティごとの不確かさを解消し、ノイズやチャネルのフェーディングによって歪んだ特徴を確実に集約する。 不確実性誘導フィードバック機構であるStageIIIは、分散環境での通信精度のトレードオフを最適化し、不確実なサンプルに対する追加機能を選択的に要求する。
  論文  参考訳（メタデータ） (2026-01-21T12:38:02Z)
• JigsawComm: Joint Semantic Feature Encoding and Transmission for Communication-Efficient Cooperative Perception [7.867653563872962]
  JigsawCommはエンドツーエンドのトレーニング、セマンティックアウェア、通信効率の良いCPフレームワークである。 正規化エンコーダを使用して、意味的関連性とスパースな特徴を抽出する。 軽量のFeature Utility Estimatorを使用して、各エージェントの機能を最終認識タスクへのコントリビューションを予測する。
  論文  参考訳（メタデータ） (2025-11-21T23:36:24Z)
• UNCAP: Uncertainty-Guided Planning Using Natural Language Communication for Cooperative Autonomous Vehicles [79.10221881250759]
  不確実性誘導自然言語協調自律計画(UNCAP)は、視覚言語モデルに基づく計画手法である。 CAVは、意思決定における認識の不確実性を明示的に考慮しながら、軽量な自然言語メッセージを介して通信することができる。 多様な運転シナリオに対する実験では、通信帯域幅が63%減少し、運転安全スコアが31%増加し、決定の不確実性が61%減少し、衝突距離マージンが4倍増加した。
  論文  参考訳（メタデータ） (2025-10-14T21:09:09Z)
• Task-Oriented Semantic Communication in Large Multimodal Models-based Vehicle Networks [55.32199894495722]
  LMMに基づく車両用AIアシスタントLarge Language and Vision Assistant(LLaVA)について検討する。 計算要求を減らし、応答時間を短縮するため、LLaVAの画像スライシングを最適化し、ユーザにとって最も関心のある領域に選択的にフォーカスする。 交通シナリオに対する視覚質問応答(VQA)データセットを構築し,有効性を評価する。
  論文  参考訳（メタデータ） (2025-05-05T07:18:47Z)
• CoCMT: Communication-Efficient Cross-Modal Transformer for Collaborative Perception [14.619784179608361]
  マルチエージェント協調知覚は、ロボット知覚タスクを協調的に行うために、知覚情報を共有することによって、各エージェントの能力を高める。 既存の代表的な協調認識システムは、大量の非臨界情報を含む中間特徴写像を伝達する。 本稿では,オブジェクトクエリをベースとした協調フレームワークであるCoCMTを紹介し,重要な特徴を選択的に抽出し伝達することによって,通信帯域幅を最大化する。
  論文  参考訳（メタデータ） (2025-03-13T06:41:25Z)
• Communication-Efficient Federated Knowledge Graph Embedding with Entity-Wise Top-K Sparsification [49.66272783945571]
  Federated Knowledge Graphs Embedding Learning (FKGE)は、パラメータのかなりのサイズと広範なコミュニケーションラウンドから生じるコミュニケーション効率の課題に直面する。 本稿では,Entity-Wise Top-K Sparsification 戦略に基づく双方向通信効率のFedSを提案する。
  論文  参考訳（メタデータ） (2024-06-19T05:26:02Z)
• Where2comm: Communication-Efficient Collaborative Perception via Spatial Confidence Maps [24.47241495415147]
  マルチエージェント協調知覚は、知覚性能を大幅に向上させる可能性がある。 これは必然的に、知覚性能と通信帯域間の根本的なトレードオフをもたらす。 本稿では,知覚情報の空間的不均一性を反映した空間信頼マップを提案する。 コミュニケーション効率の良い協調認識フレームワークであるWhere2commを提案する。
  論文  参考訳（メタデータ） (2022-09-26T16:41:18Z)
• Multi-agent Communication with Graph Information Bottleneck under Limited Bandwidth (a position paper) [92.11330289225981]
  多くの実世界のシナリオでは、通信は高価であり、マルチエージェントシステムの帯域幅には一定の制約がある。 通信資源を占有する冗長なメッセージは、情報的メッセージの送信をブロックし、パフォーマンスを損なう。 本稿では,通信グラフ内の構造情報とノード情報を効果的に圧縮し,帯域幅に制約のある設定に対処する,新しいマルチエージェント通信モジュールCommGIBを提案する。
  論文  参考訳（メタデータ） (2021-12-20T07:53:44Z)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)

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。