論文の概要: Energy-Aware Collaborative Exploration for a UAV-UGV Team

• arxiv url: http://arxiv.org/abs/2603.22507v1
• Date: Mon, 23 Mar 2026 19:14:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.160209
• Title: Energy-Aware Collaborative Exploration for a UAV-UGV Team
• Title（参考訳）: UAV-UGVチームのためのエネルギーを考慮した協調探査
• Authors: Cahit Ikbal Er, Saikiran Juttu, Yasin Yazicioglu,
• Abstract要約: 未知の環境で運用するUAV-UGVチームのためのエネルギー対応共同探査フレームワークを提案する。 我々は密度対応層状確率的ロードマップを用いて、疎結合の空地ロードマップを構築した。 本手法はシミュレーション,ベンチマーク比較,実世界の実験を通じて検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an energy-aware collaborative exploration framework for a UAV-UGV team operating in unknown environments, where the UAV's energy constraint is modeled as a maximum flight-time limit. The UAV executes a sequence of energy-bounded exploration tours, while the UGV simultaneously explores on the ground and serves as a mobile charging station. Rendezvous is enforced under a shared time budget so that the vehicles meet at the end of each tour before the UAV reaches its flight-time limit. We construct a sparsely coupled air-ground roadmap using a density-aware layered probabilistic roadmap (PRM) and formulate tour selection over the roadmap as coupled orienteering problems (OPs) to maximize information gain subject to the rendezvous constraint. The resulting tours are constructed over collision-validated roadmap edges. We validate our method through simulation studies, benchmark comparisons, and real-world experiments.
• Abstract（参考訳）: 本稿では,UAVのエネルギー制約を最大飛行時間制限としてモデル化した未知の環境で運用するUAV-UGVチームのための,エネルギーを意識した協調探査フレームワークを提案する。 UAVは一連のエネルギーに縛られた探査ツアーを行い、UGVは同時に地上を探索し、移動充電ステーションとして機能する。 レンデブースは、UAVが飛行時間制限に達する前に各ツアーの終わりに車両が会えるように、共通の時間予算で実施されている。 本研究では,密度対応層状確率ロードマップ (PRM) を用いて疎結合な空地ロードマップを構築し,その経路上のツアー選択を結合オリエンテーリング問題 (OPs) として定式化し,ランデブー制約を受ける情報ゲインを最大化する。 結果として得られたツアーは、衝突検証されたロードマップのエッジ上に構築されます。 本手法はシミュレーション,ベンチマーク比較,実世界の実験を通じて検証する。

関連論文リスト

• Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
  本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。 我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
  論文  参考訳（メタデータ） (2026-03-23T16:17:39Z)
• EAAE: Energy-Aware Autonomous Exploration for UAVs in Unknown 3D Environments [19.365558345721904]
  我々は、当初未知の環境下でのマルチロータUAVに対するエネルギーを意識した自律型3D探査に対処する。 我々は,エネルギをフロンティア選択時の明確な決定変数とするモジュール型フロンティアベースのフレームワークであるEnergy-Aware Autonomous Exploration (EAAE)を提案する。 EAAEは競争力のある探査時間と同等の地図品質を維持しながら、エネルギー消費を継続的に削減する。
  論文  参考訳（メタデータ） (2026-03-16T17:55:37Z)
• AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios [64.51320327698231]
  UAVシナリオにおける最初の大規模RMOTベンチマークであるAerialMindを紹介する。 我々は、革新的な半自動協調型エージェントベースラベリングアシスタントフレームワークを開発した。 また,視覚言語表現学習を協調的に強化する新しい手法であるHawkEyeTrackを提案する。
  論文  参考訳（メタデータ） (2025-11-26T04:44:27Z)
• Deep UAV Path Planning with Assured Connectivity in Dense Urban Setting [2.4156037371075088]
  本稿では, 保証接続(DUPAC)を用いたUAV経路計画の枠組みを提案する。 UAV飛行中、DUPACは、定義されたソースから目的地への最良のルートを、距離と信号品質の観点から決定する。 その結果、DUPACは、飛行を通して平均9%の接続品質を維持しながら、2%の増分しか持たないベース方式に類似した自律型UAV飛行経路を達成できることを確認した。
  論文  参考訳（メタデータ） (2024-06-21T15:10:25Z)
• Multi-UAV Planning for Cooperative Wildfire Coverage and Tracking with Quality-of-Service Guarantees [7.936688444492405]
  本研究では,複数UAVチームにおける協調的なフィールドカバレッジと火災追跡を実現するための予測フレームワークを提案する。 我々は、UAVチームが限られた資源を分配し、消防エリア全体をカバーできるように、新しい、分析的時間的、および追跡エラー境界を導出する。 本研究の結果は, 空域火災監視のケーススタディに限らず, 捜索・救助, 目標追跡, 国境パトロールなどの問題に適用可能である。
  論文  参考訳（メタデータ） (2022-06-21T17:20:54Z)
• Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency of Fixed-Wing UAV Cellular Access Points [3.502112118170715]
  固定翼UAVセルアクセスポイントのエネルギー効率を最適化する多エージェント深部強化学習手法を提案する。 提案手法では,UAVの3次元軌道を一連の時間経過で調整できるDueling Deep Q-Network (DDQN) エージェントを備える。
  論文  参考訳（メタデータ） (2021-11-03T14:49:17Z)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。