論文の概要: Robust Multi-Agent Target Tracking in Intermittent Communication Environments via Analytical Belief Merging

• arxiv url: http://arxiv.org/abs/2604.07575v1
• Date: Wed, 08 Apr 2026 20:27:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.547669
• Title: Robust Multi-Agent Target Tracking in Intermittent Communication Environments via Analytical Belief Merging
• Title（参考訳）: 間欠的通信環境におけるロバストなマルチエージェント目標追跡
• Authors: Mohamed Abdelnaby, Samuel Honor, Kevin Leahy,
• Abstract要約: 本稿では,分散的信念統合問題をForwardとReverse Kullback-Leibler (KL)の分散最適化として定式化する。 これらの導出を配置することにより、最適化アーティファクトを数学的に排除し、完璧な数学的忠実性を達成する。 本研究では,空間的に認識された訪問重み付きKLマージ戦略を提案し,その物理的訪問履歴に基づいてエージェントの信念を動的に評価する。
• 参考スコア（独自算出の注目度）: 2.3559161556025887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous multi-agent target tracking in GPS-denied and communication-restricted environments (e.g., underwater exploration, subterranean search and rescue, and adversarial domains) forces agents to operate independently and only exchange information during brief reconnection windows. Because transmitting complete observation and trajectory histories is bandwidth-exhaustive, exchanging probabilistic belief maps serves as a highly efficient proxy that preserves the topology of agent knowledge. While minimizing divergence metrics to merge these decentralized beliefs is conceptually sound, traditional approaches often rely on numerical solvers that introduce critical quantization errors and artificial noise floors. In this paper, we formulate the decentralized belief merging problem as Forward and Reverse Kullback-Leibler (KL) divergence optimizations and derive their exact closed-form analytical solutions. By deploying these derivations, we mathematically eliminate optimization artifacts, achieving perfect mathematical fidelity while reducing the computational complexity of the belief merge to $\mathcal{O}(N|S|)$ scalar operations. Furthermore, we propose a novel spatially-aware visit-weighted KL merging strategy that dynamically weighs agent beliefs based on their physical visitation history. Validated across tens of thousands of distributed simulations, extensive sensitivity analysis demonstrates that our proposed method significantly suppresses sensor noise and outperforms standard analytical means in environments characterized by highly degraded sensors and prolonged communication intervals.
• Abstract（参考訳）: GPSと通信に制限のある環境(例えば、水中探索、地下捜索と救助、および敵ドメイン)における自律的なマルチエージェントの標的追跡は、エージェントを独立して動作させ、短い再接続ウィンドウの間のみ情報交換を強制する。 完全な観測と軌道ヒストリーの伝達は帯域幅を消費するので、確率的信念マップの交換はエージェント知識のトポロジを保存するための非常に効率的なプロキシとなる。 分散化された信念をマージするための分散メトリクスの最小化は概念的には健全であるが、伝統的なアプローチは、重要な量子化エラーや人工ノイズフロアを導入する数値解法に頼っていることが多い。 本稿では、ForwardとReverse Kullback-Leibler(KL)の分散最適化として分散的信念統合問題を定式化し、その正確な閉形式解析解を導出する。 これらの導出を展開することにより、最適化アーティファクトを数学的に排除し、完全数学的忠実性を達成し、信念の計算複雑性を$\mathcal{O}(N|S|)$スカラー演算に還元する。 さらに,身体的訪問履歴に基づいてエージェントの信念を動的に重み付けする空間認識型訪問重み付きKL統合戦略を提案する。 広範囲な感度解析により,センサノイズを著しく抑制し,高度に劣化したセンサと長時間の通信間隔を特徴とする環境下での標準的な解析手段を上回る性能を示した。

関連論文リスト

• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• ICD-Net: Inertial Covariance Displacement Network for Drone Visual-Inertial SLAM [5.5217350574838875]
  視覚-慣性SLAM性能を向上させる新しいフレームワークであるICD-Netを提案する。 従来のVINS-Fusionと比較して,軌道推定精度は有意に向上した。 ニューラルネットワークの強化は,SLAM劣化の複数の要因に効果的に対処できることを示す。
  論文  参考訳（メタデータ） (2025-11-13T11:25:02Z)
• Distribution-Free Uncertainty-Aware Virtual Sensing via Conformalized Neural Operators [1.7864593554171284]
  Conformalized Monte Carlo Operator (CMCO)は、ニューラルネットワークに基づく仮想センシングを、キャリブレーションされた、分布のない予測間隔で変換する。 CMCOは、リトレーニング、アンサンブル、カスタムロス設計なしで、空間的に解決された不確実性推定を達成する。 このブレークスルーは、ニューラル演算子のための汎用的なプラグアンドプレイUQソリューションを提供し、デジタルツインにおけるリアルタイムで信頼性の高い推論をアンロックし、センサーフュージョン、安全クリティカルな監視を提供する。
  論文  参考訳（メタデータ） (2025-07-15T04:26:40Z)
• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Does Worst-Performing Agent Lead the Pack? Analyzing Agent Dynamics in Unified Distributed SGD [7.434126318858966]
  分散学習は、異種エージェント間の機械学習アルゴリズムのトレーニングに不可欠である。 我々は統一分散SGD(UD-SGD)の分析を行う。 我々は、UD-SGDの収束速度に、サンプリング、シャッフル、マルコフサンプリングなどの異なるサンプリング戦略がどう影響するかを評価する。
  論文  参考訳（メタデータ） (2024-09-26T03:12:20Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Compressed Regression over Adaptive Networks [58.79251288443156]
  分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。 エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
  論文  参考訳（メタデータ） (2023-04-07T13:41:08Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)

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。