論文の概要: Shepherding UAV Swarm with Action Prediction Based on Movement Constraints

• arxiv url: http://arxiv.org/abs/2604.17189v1
• Date: Sun, 19 Apr 2026 01:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.38136
• Title: Shepherding UAV Swarm with Action Prediction Based on Movement Constraints
• Title（参考訳）: 移動制約に基づく行動予測付き羊飼いUAV群
• Authors: Yusuke Tsunoda, Yusuke Goto, Takao Sato,
• Abstract要約: シープドッグ・インスパイアされた誘導制御(シープドッグ・インスパイアされた誘導制御)とは、少数のナビゲーター・エージェント(シープドッグ・エージェント)が多数の自律的エージェント(羊のエージェントの群れ)を間接的に駆動し、グループを目標位置に誘導する枠組みである。 本研究では,小型無人航空機(UAV)の群れに対して,実際のロボットの動作制約を明示的に考慮しつつ,群集の挙動を予測できる新しい羊飼い型制御法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In this study, we propose a new sheepdog-inspired control method for a swarm of small unmanned aerial vehicles (UAVs), which predicts the swarm behavior while explicitly accounting for the motion constraints of real robots. Sheepdog-inspired guidance control refers to a framework in which a small number of navigator agents (sheepdog agents) indirectly drive a large number of autonomous agents (a flock of sheep agents) so as to steer the group toward a target position. In conventional studies on sheepdog-inspired guidance, both types of agents have typically been modeled as point masses, and the guidance law for the navigator agents has been designed using simple interaction vectors based on the instantaneous relative positions between the agents. However, when implementing such methods on real robots such as drones, it is necessary to consider each agent's motion constraints, including upper bounds on velocity and acceleration. Moreover, we argue that guidance can be made more efficient by predicting the future behavior of the autonomous swarm that is observable to the navigator agents. To this end, we propose a three-dimensional guidance control law based on behavior prediction of autonomous agents under motion constraints, inspired by the Dynamic Window Approach (DWA). At each control cycle, the navigator agent generates a set of feasible motion candidates that satisfy its motion constraints, and predicts the short-horizon swarm evolution using an internal model of the autonomous agents maintained within the navigator agent. The motion candidates are then evaluated according to criteria such as the progress velocity toward the target, the positioning strategy with respect to the swarm, and safety margins, and the optimal motion is selected to achieve safe and efficient guidance. Numerical simulation results demonstrate the effectiveness of the proposed guidance control law.
• Abstract（参考訳）: 本研究では,小型無人航空機(UAV)の群集に対して,実際のロボットの動作制約を明示的に考慮しつつ,群集の挙動を予測できる新しい羊飼い型制御法を提案する。 シープドッグ・インスパイアされた誘導制御(シープドッグ・インスパイアされた誘導制御)とは、少数のナビゲーター・エージェント(シープドッグ・エージェント)が多数の自律的エージェント(羊のエージェントの群れ)を間接的に駆動し、グループを目標位置に誘導する枠組みである。 従来の羊飼い誘導法では、どちらの種類のエージェントも点質量としてモデル化されており、ナビゲーターエージェントの誘導法則は、エージェント間の即時相対位置に基づく単純な相互作用ベクトルを用いて設計されている。 しかし,ドローンのような現実のロボットにそのような手法を実装する際には,速度や加速度の上限など,各エージェントの動作制約を考慮する必要がある。 さらに,ナビゲータエージェントに観察可能な自律群集の今後の行動を予測することで,ガイダンスをより効率的にすることができると論じる。 そこで本稿では,動的ウィンドウアプローチ(DWA)に触発された自律エージェントの動作予測に基づく3次元誘導制御法を提案する。 各制御サイクルにおいて、ナビゲータエージェントは、その動作制約を満たす実行可能な運動候補のセットを生成し、ナビゲータエージェント内に保持された自律エージェントの内部モデルを用いて、短水平スワムの進化を予測する。 次に、目標に向けた進行速度、群れに対する位置決め戦略、安全マージンなどの基準に基づいて動き候補を評価し、安全かつ効率的な誘導を達成するために最適な動きを選択する。 数値シミュレーションの結果,提案法の有効性が示された。

関連論文リスト

• RDAR: Reward-Driven Agent Relevance Estimation for Autonomous Driving [8.567707029486469]
  本稿では,事前学習された行動モデルへの入力からどのエージェントを除外できるかを特定することによって,エージェントごとの妥当性を学習する戦略を提案する。 我々はRDARを大規模運転データセット上で評価し、その妥当性の正確な数値的尺度を学習する能力を示す。
  論文  参考訳（メタデータ） (2025-09-24T06:19:31Z)
• SAND: Boosting LLM Agents with Self-Taught Action Deliberation [54.48979740613828]
  大規模言語モデル(LLM)エージェントは、通常、ReActスタイルの専門家軌道の教師付き微調整や、ペアのロールアウトよりも好みの最適化で調整される。 本稿では,自己学習型アクチオN審議(SAND)フレームワークを提案する。 SANDは、初期教師付き微調整よりも平均20%改善し、また最先端のエージェントチューニングアプローチより優れている。
  論文  参考訳（メタデータ） (2025-07-10T05:38:15Z)
• ManeuverGPT Agentic Control for Safe Autonomous Stunt Maneuvers [0.0]
  本稿では,自律走行車における高ダイナミックなスタント動作の生成と実行のための新しいフレームワークManeuverGPTを提案する。 3つの特殊エージェントからなるエージェントアーキテクチャを提案する。 実験により、複数の車両モデル間でのJターン実行が成功した。
  論文  参考訳（メタデータ） (2025-03-12T03:51:41Z)
• Control-ITRA: Controlling the Behavior of a Driving Model [14.31198056147624]
  エージェントの動作に影響を与える制御ITRAと呼ばれる手法を,ウェイポイントの割り当てと目標速度の変調によって導入する。 本手法は, 可制御性, 無屈折性トラジェクトリを生成できると同時に, 視界と見えない位置の両方でリアリズムを保ち得ることを示す。
  論文  参考訳（メタデータ） (2025-01-17T03:35:11Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)
• Occupancy Flow Fields for Motion Forecasting in Autonomous Driving [36.64394937525725]
  複数のエージェントの動作予測のための新しい表現であるOccupancy Flow Fieldsを提案する。 我々の表現は、各格子セルが任意のエージェントによって占有されているセルの確率等級と、そのセルの運動方向を表す2次元フローベクトルの両方を含む時間格子である。 我々は、大規模な社内自動運転データセットとInterACTIONデータセットの実験結果について報告し、我々のモデルが最先端のモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-08T06:26:50Z)
• Reactive motion planning with probabilistic safety guarantees [27.91467018272684]
  本稿では,複数の非制御エージェントを用いた環境における動作計画の問題点について考察する。 制御されていないエージェントの予測モデルは、シナリオに基づいて短い地平線内で全ての可能な軌道を予測するために訓練される。 提案手法は,自動運転を模擬したシナリオにおいてシミュレーションで実証される。
  論文  参考訳（メタデータ） (2020-11-06T20:37:15Z)

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。