論文の概要: LASER: Learning Active Sensing for Continuum Field Reconstruction

• arxiv url: http://arxiv.org/abs/2604.19355v1
• Date: Tue, 21 Apr 2026 11:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.744591
• Title: LASER: Learning Active Sensing for Continuum Field Reconstruction
• Title（参考訳）: レーザー:連続場再構築のためのアクティブセンシング学習
• Authors: Huayu Deng, Jinghui Zhong, Xiangming Zhu, Yunbo Wang, Xiaokang Yang,
• Abstract要約: 連続体場の高忠実度測定は科学的な発見と工学設計に不可欠である。 本稿では,能動センシングを部分的に観測可能なマルコフ決定プロセスとして定式化する,統一されたクローズドループフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 42.42992204115618
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-fidelity measurements of continuum physical fields are essential for scientific discovery and engineering design but remain challenging under sparse and constrained sensing. Conventional reconstruction methods typically rely on fixed sensor layouts, which cannot adapt to evolving physical states. We propose LASER, a unified, closed-loop framework that formulates active sensing as a Partially Observable Markov Decision Process (POMDP). At its core, LASER employs a continuum field latent world model that captures the underlying physical dynamics and provides intrinsic reward feedback. This enables a reinforcement learning policy to simulate ''what-if'' sensing scenarios within a latent imagination space. By conditioning sensor movements on predicted latent states, LASER navigates toward potentially high-information regions beyond current observations. Our experiments demonstrate that LASER consistently outperforms static and offline-optimized strategies, achieving high-fidelity reconstruction under sparsity across diverse continuum fields.
• Abstract（参考訳）: 連続体場の高忠実度測定は科学的な発見と工学的設計には不可欠であるが、スパースと制約されたセンシングの下では依然として困難である。 従来のリコンストラクション手法は、通常、物理的に進化する状態に適応できない固定されたセンサーレイアウトに依存している。 本稿では,アクティブセンシングを部分観測可能なマルコフ決定プロセス (POMDP) として定式化する統一閉ループフレームワークLASERを提案する。 LASERは、基礎となる物理力学を捉え、本質的な報酬フィードバックを提供する連続体潜在世界モデルを採用している。 これにより、強化学習ポリシーは、潜在想像空間内での「What-if」センシングシナリオをシミュレートすることができる。 予測された潜伏状態にセンサの動きを調和させることで、LASERは現在の観測を超える潜在的な高情報領域に向かう。 実験により、LASERは静的およびオフライン最適化戦略を一貫して上回り、多種多様な連続体にまたがる間隔で高忠実度再構成を実現することを示した。

関連論文リスト

• LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
  LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。 そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。 R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
  論文  参考訳（メタデータ） (2026-03-31T02:21:59Z)
• Bio-Inspired Event-Based Visual Servoing for Ground Robots [4.2300250650442095]
  地上ロボットのための新しいイベントベースビジュアルサーボフレームワークを提案する。 そこで本研究では,生物にインスパイアされたアクティブ・センシング・リミットサイクル・コントローラを提案する。
  論文  参考訳（メタデータ） (2026-03-24T19:20:20Z)
• ESPIRE: A Diagnostic Benchmark for Embodied Spatial Reasoning of Vision-Language Models [37.686748605290795]
  ESPIREは空間推論のための診断ベンチマークである。 物理的に視覚言語モデルに基づいて、空間推論中心のロボットタスクでそれらを評価する。 我々は各タスクをローカライズと実行に分解し、両方を生成問題として扱う。
  論文  参考訳（メタデータ） (2026-03-13T14:43:00Z)
• LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
  LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。 提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
  論文  参考訳（メタデータ） (2026-03-02T04:11:18Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。 これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。 空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:35:57Z)
• Learning Terrain Aware Bipedal Locomotion via Reduced Dimensional Perceptual Representations [6.407946291544721]
  本研究は、地形を意識した二足歩行の階層的戦略を導入する。 低次元表現を統合して、リアルタイム歩行生成のための強化学習(RL)に基づく高レベル(HL)ポリシーを強化する。
  論文  参考訳（メタデータ） (2025-12-15T05:38:08Z)
• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [31.398965880415492]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,スパース時間データダイナミックスパーストレーニングの概念を初めて紹介し,適応的かつ動的に重要な分布センサをフィルタリングすることにコミットする。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)
• Event-based Simultaneous Localization and Mapping: A Comprehensive Survey [52.73728442921428]
  ローカライゼーションとマッピングタスクのための非同期および不規則なイベントストリームの利点を利用する、イベントベースのvSLAMアルゴリズムのレビュー。 Paperは、イベントベースのvSLAMメソッドを、特徴ベース、ダイレクト、モーション補償、ディープラーニングの4つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2023-04-19T16:21:14Z)

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。