論文の概要: Towards Lifelong Aerial Autonomy: Geometric Memory Management for Continual Visual Place Recognition in Dynamic Environments

• arxiv url: http://arxiv.org/abs/2604.09038v1
• Date: Fri, 10 Apr 2026 06:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.737073
• Title: Towards Lifelong Aerial Autonomy: Geometric Memory Management for Continual Visual Place Recognition in Dynamic Environments
• Title（参考訳）: 生涯的航空オートノミーに向けて:動的環境における連続的な視覚的位置認識のための幾何学的記憶管理
• Authors: Xingyu Shao, Zhiqiang Yan, Liangzheng Sun, Mengfan He, Chao Chen, Jinhui Zhang, Chunyu Li, Ziyang Meng,
• Abstract要約: ミッションベースドメインインクリメンタルラーニング(DIL)問題として航空VPRを定式化する。 厳格なオンボードストレージ制約を尊重するために、我々の"Learn-and-Dispose"パイプラインは、地理的知識を静的衛星アンカーに分離する。 我々のアーキテクチャは空間一般化を著しく促進し、多様性駆動バッファ選択はランダムベースラインを7.8%の知識保持率で上回ります。
• 参考スコア（独自算出の注目度）: 9.033735087039439
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust geo-localization in changing environmental conditions is critical for long-term aerial autonomy. While visual place recognition (VPR) models perform well when airborne views match the training domain, adapting them to shifting distributions during sequential missions triggers catastrophic forgetting. Existing continual learning (CL) methods often fail here because geographic features exhibit severe intra-class variations. In this work, we formulate aerial VPR as a mission-based domain-incremental learning (DIL) problem and propose a novel heterogeneous memory framework. To respect strict onboard storage constraints, our "Learn-and-Dispose" pipeline decouples geographic knowledge into static satellite anchors (preserving global geometric priors) and a dynamic experience replay buffer (retaining domain-specific features). We introduce a spatially-constrained allocation strategy that optimizes buffer selection based on sample difficulty or feature space diversity. To facilitate systematic assessment, we provide three evaluation criteria and a comprehensive benchmark derived from 21 diverse mission sequences. Extensive experiments demonstrate that our architecture significantly boosts spatial generalization; our diversity-driven buffer selection outperforms the random baseline by 7.8% in knowledge retention. Unlike class-mean preservation methods that fail in unstructured environments, maximizing structural diversity achieves a superior plasticity-stability balance and ensures order-agnostic robustness across randomized sequences. These results prove that maintaining structural feature coverage is more critical than sample difficulty for resolving catastrophic forgetting in lifelong aerial autonomy.
• Abstract（参考訳）: 環境条件の変化におけるロバストな地理的局所化は、長期的自律性にとって重要である。 視覚的位置認識(VPR)モデルは、空飛ぶビューがトレーニング領域と一致した場合に良好に機能する一方で、連続的なミッション中に分布のシフトに適応することで、破滅的な忘れが生じる。 既存の継続学習(CL)の手法は、地理的特徴がクラス内で深刻な変化を示すため、ここでは失敗することが多い。 本研究では、ミッションベースドメインインクリメンタルラーニング(DIL)問題として航空VPRを定式化し、新しい異種メモリフレームワークを提案する。 厳密なオンボードストレージ制約を尊重するために、我々の"Learn-and-Dispose"パイプラインは、地理的知識を静的な衛星アンカー(グローバルな幾何学的前提を保存する)と動的体験再生バッファ(ドメイン固有の特徴を保持する)に分離する。 サンプルの難易度や特徴空間の多様性に基づいてバッファ選択を最適化する空間制約付きアロケーション戦略を導入する。 組織的な評価を容易にするため,21のミッションシーケンスから得られた3つの評価基準と総合ベンチマークを提供する。 我々のアーキテクチャは空間的一般化を著しく促進し、多様性駆動型バッファ選択は知識保持率を7.8%向上させる。 非構造環境で失敗するクラス平均保存法とは異なり、構造的多様性の最大化はより優れた可塑性-安定性バランスを達成し、ランダム化されたシーケンスの順序に依存しないロバスト性を保証する。 これらの結果から, 一生にわたる航空自律における破滅的忘れを解消するために, 構造的特徴カバレッジを維持することが, 試料の難易度よりも重要であることが示唆された。

関連論文リスト

• Anticipatory Reinforcement Learning: From Generative Path-Laws to Distributional Value Functions [0.0]
  本稿では,非マルコフ決定プロセスと古典的強化学習アーキテクチャのギャップを埋める新しいフレームワークである予測強化学習(ARL)を紹介する。 ジャンプ拡散と構造破壊によって特徴づけられる環境では、伝統的な状態に基づく手法は、正確なフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホ
  論文  参考訳（メタデータ） (2026-04-06T13:15:44Z)
• GLU: Global-Local-Uncertainty Fusion for Scalable Spatiotemporal Reconstruction and Forecasting [0.0]
  GLU(Global-Local-Uncertainty framework)について述べる。 再構成では、GLUは重要適応型地区選択を用いて、局所的な関連情報を検索する。 予測では、階層的なLeader-Follower Dynamicsモジュールが遅延状態を進化させ、メモリ増加を大幅に減少させる。
  論文  参考訳（メタデータ） (2026-03-27T02:40:58Z)
• Hierarchical Multi-Modal Planning for Fixed-Altitude Sparse Target Search and Sampling [8.90200464018944]
  HIMoSはサンゴの探索とサンプルの分離のための固定高度フレームワークである。 システムは、異質なセンサースイートを2層計画アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2026-03-09T12:53:04Z)
• Towards Space-Based Environmentally-Adaptive Grasping [45.88028371034407]
  宇宙環境における把握の例を通して,限界について検討する。 我々は、複数のモダリティを、ポリシー決定のための構造化された表現に融合(文法化)する学習された潜在多様体において、制御ポリシーを直接学習する。
  論文  参考訳（メタデータ） (2026-01-29T08:31:03Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• RISE: Robust Imitation through Stochastic Encoding [0.764671395172401]
  本稿では,環境パラメータの誤った測定をポリシー学習に明示的に対応させる,新しい模倣学習フレームワークを提案する。 我々のフレームワークは、障害状態、向き、速度などのパラメータを潜在空間にエンコードし、テスト時間を改善する。 我々は,2つのロボットプラットフォームに対するアプローチを検証するとともに,目標達成性能をベースライン法と比較し,安全性の向上を図っている。
  論文  参考訳（メタデータ） (2025-03-15T19:52:16Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Analysis of the Memorization and Generalization Capabilities of AI Agents: Are Continual Learners Robust? [91.682459306359]
  連続学習(CL)では、AIエージェントが動的環境下で非定常データストリームから学習する。 本稿では,過去の知識を維持しつつ,動的環境への堅牢な一般化を実現するための新しいCLフレームワークを提案する。 提案フレームワークの一般化と記憶性能を理論的に解析した。
  論文  参考訳（メタデータ） (2023-09-18T21:00:01Z)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。