論文の概要: Robust Fleet Sizing for Multi-UAV Inspection Missions under Synchronized Replacement Demand
- arxiv url: http://arxiv.org/abs/2604.15890v1
- Date: Fri, 17 Apr 2026 09:39:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.866334
- Title: Robust Fleet Sizing for Multi-UAV Inspection Missions under Synchronized Replacement Demand
- Title（参考訳）: 同期交換需要下における複数UAV検査ミッションのロバストフリートサイズ
- Authors: Vishal Ramesh, Antony Thomas,
- Abstract要約: 複数のUAV検査ミッションでは、リチャージサイクル中にアクティブなドローンを置き換えるために予備のドローンが必要である。
本稿では,各UAVに類似のワークロードを割り当てる効率的なルーティングを行う構造的障害モードを特定する。
k = m(ceil(R) + 1) であり、m はアクティブ UAV の数、R はリカバリ-アクティブ時間比である。
- 参考スコア（独自算出の注目度）: 0.7734726150561088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-UAV inspection missions require spare drones to replace active drones during recharging cycles. Existing fleet-sizing approaches often assume steady-state operating conditions that do not apply to finite-horizon missions, or they treat replacement requests as statistically independent events. The latter provides per-request blocking guarantees that fail to translate to mission-level reliability when demands cluster. This paper identifies a structural failure mode where efficient routing assigns similar workloads to each UAV, leading to synchronized battery depletion and replacement bursts that exhaust the spare pool even when average capacity is sufficient. We derive a closed-form sufficient fleet-sizing rule, k = m(ceil(R) + 1), where m is the number of active UAVs and R is the recovery-to-active time ratio. This additive buffer of m spares absorbs worst-case synchronized demand at recovery-cycle boundaries and ensures mission-level reliability even when all UAVs deplete simultaneously. Monte Carlo validation across five scenarios (m in [2, 10], R in [0.87, 3.39], 1000 trials each) shows that Erlang-B sizing with a per-request blocking target epsilon = 0.01 drops to 69.9% mission success at R = 3.39, with 95% of spare exhaustion events concentrated in the top-decile 5-minute demand windows. In contrast, the proposed rule maintains 99.8% success (Wilson 95% lower bound 99.3%) across all tested conditions, including wind variability up to CV = 0.30, while requiring only four additional drones in the most demanding scenario.
- Abstract（参考訳）: 複数のUAV検査ミッションでは、リチャージサイクル中にアクティブなドローンを置き換えるために予備のドローンが必要である。
既存の艦隊規模のアプローチは、有限水平任務には適用されない定常的な運用条件を前提とするか、あるいは置換要求を統計的に独立したイベントとして扱う。
後者は、クラスタ要求時にミッションレベルの信頼性に変換できない要求毎のブロッキング保証を提供する。
本稿では,各UAVに類似の負荷を割当てる構造的障害モードを特定し,平均容量が十分である場合でも,同期電池の枯渇と交換バーストを発生させる。
k = m(ceil(R) + 1) であり、m はアクティブ UAV の数、R はリカバリ-アクティブ時間比である。
mスペアの付加バッファは、リカバリサイクル境界における最悪のケース同期要求を吸収し、すべてのUAVが同時に減少してもミッションレベルの信頼性を確保する。
5つのシナリオ(m in [2, 10], R in [0.87, 3.39], 1000のトライアル)にわたるMonte Carloバリデーションでは、Erlang-Bサイズが要求ごとのブロック対象エプシロン=0.01で、R = 3.39でミッション成功率69.9%に低下し、スペア排気イベントの95%が最上位5分間の需要ウィンドウに集中している。
これとは対照的に、提案された規則は、風速0.30までの風速変動を含む全ての試験条件において、99.8%の成功(ウィルソン95%下限99.3%)を維持し、最も要求の多いシナリオでは、追加のドローンを4機しか必要としない。
関連論文リスト
- Supervised Dimensionality Reduction Revisited: Why LDA on Frozen CNN Features Deserves a Second Look [0.0]
ライドシェアリングのディスパッチは、日時、曜日、季節、特別なイベントによって大きく異なる需要パターンを予想する必要がある。
本稿では,過去の旅行データを需要レジームに分割し,現在ある運用期間を類似した歴史アナログに適合させる制度校正手法を提案する。
このアプローチを,8つのシナリオにわたる520万ニューヨークTLCトリップで評価した。
論文 参考訳（メタデータ） (2026-04-05T01:39:28Z) - Regime-Calibrated Demand Priors for Ride-Hailing Fleet Dispatch and Repositioning [0.0]
ライドシェアリングのディスパッチは、日時、曜日、季節、特別なイベントによって大きく異なる需要パターンを予想する必要がある。
本稿では,過去の旅行データを需要レジームに分割し,現在ある運用期間を類似した歴史アナログに適合させる制度校正手法を提案する。
アブレーションでは、分布のみのメートル法サブセットが最強の平均ウェイト還元を達成する。
論文 参考訳（メタデータ） (2026-04-04T22:31:06Z) - LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。
このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。
チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
論文 参考訳（メタデータ） (2026-03-28T18:03:32Z) - Token Coherence: Adapting MESI Cache Protocols to Minimize Synchronization Overhead in Multi-Agent LLM Systems [0.0]
マルチエージェントLLMオーケストレーションは、エージェント、ステップ、アーティファクトサイズにおいて、単純なブロードキャストの下でO(n x S x |D|)としてスケールする。
この病理は完全状態再放送の構造的残余であり、マルチエージェント協調の固有の性質ではないと私は主張する。
私はArtifact Coherence System(ACS)を構築し、Token Coherence Theoremを証明します。
論文 参考訳（メタデータ） (2026-03-16T12:20:06Z) - SLA-Aware Distributed LLM Inference Across Device-RAN-Cloud [44.19683744405876]
Embodied AIはRadio Access Network(RAN)の近くで秒未満の推論を必要とする
我々は,5G Standalone (SA) AI-RANテストベッドから,リピータビリティのための固定ベースラインポリシーを用いて測定を行った。
論文 参考訳（メタデータ） (2026-02-27T06:43:47Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Quantifying Return on Security Controls in LLM Systems [0.0]
本稿では、残留リスクを定量化するための意思決定指向フレームワークを提案する。
敵のプローブの結果を金融リスク推定と戻り制御の指標に変換する。
論文 参考訳（メタデータ） (2025-12-17T04:58:09Z) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
CANデータからトラックの積載量の検出について検討する。
私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。
我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
論文 参考訳（メタデータ） (2024-04-08T17:58:22Z)
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。