論文の概要: Learning Semantic Priorities for Autonomous Target Search

• arxiv url: http://arxiv.org/abs/2603.29391v1
• Date: Tue, 31 Mar 2026 07:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.27643
• Title: Learning Semantic Priorities for Autonomous Target Search
• Title（参考訳）: 自律目標探索のためのセマンティックプライオリティの学習
• Authors: Max Lodel, Nils Wilde, Robert Babuška, Javier Alonso-Mora,
• Abstract要約: セマンティックな特徴を用いることで、未知の環境におけるロボット探索と救助ミッションの目標探索の効率が向上する。 現在のターゲット探索手法は、様々な環境への適応性を制限した、類似した領域の大規模なデータセットによるトレーニングに依存している。 本稿では,専門家の入力を利用してセマンティック・プライオリティのモデルを訓練するターゲット探索手法を提案する。
• 参考スコア（独自算出の注目度）: 16.31406252730355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of semantic features can improve the efficiency of target search in unknown environments for robotic search and rescue missions. Current target search methods rely on training with large datasets of similar domains, which limits the adaptability to diverse environments. However, human experts possess high-level knowledge about semantic relationships necessary to effectively guide a robot during target search missions in diverse and previously unseen environments. In this paper, we propose a target search method that leverages expert input to train a model of semantic priorities. By employing the learned priorities in a frontier exploration planner using combinatorial optimization, our approach achieves efficient target search driven by semantic features while ensuring robustness and complete coverage. The proposed semantic priority model is trained with several synthetic datasets of simulated expert guidance for target search. Simulation tests in previously unseen environments show that our method consistently achieves faster target recovery than a coverage-driven exploration planner.
• Abstract（参考訳）: セマンティックな特徴を用いることで、未知の環境におけるロボット探索と救助ミッションの目標探索の効率が向上する。 現在のターゲット探索手法は、様々な環境への適応性を制限した、類似した領域の大規模なデータセットによるトレーニングに依存している。 しかし、人間の専門家は、多様な、以前は目に見えない環境下での探索ミッションにおいて、ロボットを効果的に誘導するために必要な意味的関係について高いレベルの知識を持っている。 本稿では,専門家の入力を利用してセマンティック・プライオリティのモデルを学習するターゲット探索手法を提案する。 組合せ最適化を用いたフロンティア探索プランナの学習優先手法を用いて, セマンティックな特徴によって駆動される効率的な目標探索を実現し, 堅牢性と完全なカバレッジを確保した。 提案したセマンティック・プライオリティ・モデルには,ターゲット探索のためのシミュレーションされた専門家ガイダンスの合成データセットがいくつか組み込まれている。 従来は見つからなかった環境下でのシミュレーション実験により,我々の手法はカバレッジ駆動探索プランナよりも高速な目標回復を実現していることがわかった。

関連論文リスト

• Human Scanpath Prediction in Target-Present Visual Search with Semantic-Foveal Bayesian Attention [49.99728312519117]
  SemBA-FASTは、ターゲットの視覚検索における人間の視覚的注意を予測するためのトップダウンフレームワークである。 我々は、COCO-Search18ベンチマークデータセット上でSemBA-FASTを評価し、その性能を他のスキャンパス予測モデルと比較した。 これらの知見は、人間のような注意モデリングのためのセマンティック・フレーバー・確率的フレームワークの能力に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2025-07-24T15:19:23Z)
• Towards Autonomous UAV Visual Object Search in City Space: Benchmark and Agentic Methodology [26.90429412601702]
  都市オブジェクトの自律検索のための最初のベンチマークデータセットであるCityAVOSを紹介する。 このデータセットは、6つのオブジェクトカテゴリにまたがる2,420のタスクで構成され、難易度は様々である。 また,人間の3層認知を模倣したマルチモーダルな大規模言語モデル(MLLM)を用いたエージェント手法であるRPPSearcherを提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:34:54Z)
• C-Planning: An Automatic Curriculum for Learning Goal-Reaching Tasks [133.40619754674066]
  ゴール条件強化学習は、ナビゲーションや操作を含む幅広い領域のタスクを解決できる。 本研究では,学習時間における探索を用いて,中間状態を自動生成する遠隔目標獲得タスクを提案する。 E-stepはグラフ検索を用いて最適な経路点列を計画することに対応し、M-stepはそれらの経路点に到達するための目標条件付きポリシーを学習することを目的としている。
  論文  参考訳（メタデータ） (2021-10-22T22:05:31Z)
• Landmark Policy Optimization for Object Navigation Task [77.34726150561087]
  本研究は,未確認環境において,与えられたセマンティックカテゴリに関連する最も近いオブジェクトにナビゲートするオブジェクトゴールナビゲーションタスクについて研究する。 最近の研究は、エンドツーエンドの強化学習アプローチとモジュールシステムの両方において大きな成果を上げていますが、堅牢で最適なものにするには大きな前進が必要です。 本稿では,これらのランドマークを抽出する手法として,標準的なタスクの定式化とランドマークとしての付加的な地域知識を取り入れた階層的手法を提案する。
  論文  参考訳（メタデータ） (2021-09-17T12:28:46Z)
• Inverse Bayesian Optimization: Learning Human Search Strategies in a Sequential Optimization Task [0.10499611180329801]
  本稿では,ベイズ最適化の逆問題について考察する。 観察された探索経路に基づいてエージェントの潜時獲得関数を推定する。 実験から人間の行動を解析し,その方法を説明する。
  論文  参考訳（メタデータ） (2021-04-16T15:40:34Z)
• Neural Architecture Search From Fr\'echet Task Distance [50.9995960884133]
  与えられたベースラインタスクのセット内の対象タスクと各タスクの間の距離を、ターゲットタスクのニューラルネットワークアーキテクチャ検索スペースを減らすためにどのように使用できるかを示す。 タスク固有のアーキテクチャに対する検索空間の複雑さの低減は、このサイド情報を用いることなく完全な検索を行う代わりに、類似したタスクのために最適化されたアーキテクチャ上に構築することで達成される。
  論文  参考訳（メタデータ） (2021-03-23T20:43:31Z)
• Efficient Robotic Object Search via HIEM: Hierarchical Policy Learning with Intrinsic-Extrinsic Modeling [33.89793938441333]
  本稿では,本質的・非本質的な報酬設定を伴う階層的・解釈可能なモデリングに基づく,オブジェクト探索タスクのための新しいポリシー学習パラダイムを提案する。 House3D環境下で行った実験は、我々のモデルで訓練されたロボットが、より最適かつ解釈可能な方法で物体探索タスクを実行できることを示す。
  論文  参考訳（メタデータ） (2020-10-16T19:21:38Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)
• 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。