論文の概要: A Case Study in Recovery of Drones using Discrete-Event Systems

• arxiv url: http://arxiv.org/abs/2604.21740v1
• Date: Thu, 23 Apr 2026 14:42:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.602453
• Title: A Case Study in Recovery of Drones using Discrete-Event Systems
• Title（参考訳）: 離散イベントシステムを用いたドローンの回収事例
• Authors: Liam P. Burns, Dayse M. Cavalcanti, Felipe G. Cabral, Max H. de Queiroz, Melissa Greeff, Publio M. M. Lima, Karen Rudie,
• Abstract要約: 本研究では,Swarmロボティクスにおける離散イベントシステムに基づくトポロジカルリカバリ手法について検討する。 本稿では,ハイレベルな離散イベントシステムと低レベルな連続制御器を組み合わせたハイブリッドアーキテクチャを提案する。 4つの異なるシナリオにまたがるリカバリ性能を示す。
• 参考スコア（独自算出の注目度）: 0.7329200485567826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discrete-event systems and supervisory control theory provide a rigorous framework for specifying correct-by-construction behavior. However, their practical application to swarm robotics remains largely underexplored. In this paper, we investigate a topological recovery method based on discrete-event-systems within a swarm robotics context. We propose a hybrid architecture that combines a high-level discrete event systems supervisor with a low-level continuous controller, allowing lost drones to safely recover from fault or attack events and re-enter a controlled region. The method is demonstrated using ten simulated UAVs in the py-bullet-drones framework. We show recovery performance across four distinct scenarios, each with varying initial state estimates. Additionally, we introduce a secondary recovery supervisor that manages the regrouping process for a drone after it has re-entered the operational region.
• Abstract（参考訳）: 離散イベントシステムと監督制御理論は、正しく構成された振る舞いを特定するための厳密な枠組みを提供する。 しかし、スワーミングロボティクスへの実用的応用はいまだに未熟である。 本稿では,Swarmロボットの文脈における離散イベントシステムに基づくトポロジカルリカバリ手法について検討する。 本研究では,高レベル離散イベントシステムオーサと低レベル連続制御装置を組み合わせるハイブリッドアーキテクチャを提案する。 本手法は, py-bullet-dronesフレームワークで10個のUAVを用いて実証した。 4つの異なるシナリオにまたがるリカバリ性能を示す。 さらに、運用領域に再突入した後、ドローンの再編成プロセスを管理する二次回収スーパーバイザーも導入する。

関連論文リスト

• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• Pro-HOI: Perceptive Root-guided Humanoid-Object Interaction [57.252599851031505]
  本稿では,知覚根誘導型ヒューマノイドオブジェクトインタラクション,Pro-HOIを紹介する。 Pro-HOIは、堅牢なヒューマノイドロコ操作のための一般化可能なフレームワークである。 ユニツリーG1ロボットの実証検証は、Pro-HOIが一般化と堅牢性においてベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2026-03-01T14:19:59Z)
• Stealthy Coverage Control for Human-enabled Real-Time 3D Reconstruction [1.24245398967236]
  本研究では,人間の3次元構造再構築のためのステルスリー・カバレッジ・コントロールと呼ばれる,新たな半自律画像サンプリング手法を提案する。 人間のフレキシブルな推論と状況認識機能を活用することでこの問題に対処する。 我々は,人間によるナビゲーションから効率的な画像サンプリングを行うために,ドローンの動きを分離するステルスリーカバレッジ制御を開発した。
  論文  参考訳（メタデータ） (2026-01-31T02:41:13Z)
• Runtime Anomaly Detection for Drones: An Integrated Rule-Mining and Unsupervised-Learning Approach [6.924083445159127]
  UAVは複数のセンサー入力に依存しており、物理的不安定性と深刻な安全上の懸念を引き起こす可能性がある。 LSTMニューラルネットワークに基づく最近の異常検出手法は有望な結果を示しているが、3つの課題が続いている。 これらの課題に触発された本研究では、ドローンの異常検出に対する統合的なアプローチであるRADDを紹介する。
  論文  参考訳（メタデータ） (2025-05-03T23:48:50Z)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• RecoveryChaining: Learning Local Recovery Policies for Robust Manipulation [41.38308130776887]
  本稿では,階層的強化学習を用いて回復政策を学習することを提案する。 感覚観察に基づいて故障を検出すると、回復ポリシーが起動される。 我々はシミュレーションで学んだ回復ポリシーを物理ロボットに転送し、シム・トゥ・リアル・トランスファーの実現可能性を示す。
  論文  参考訳（メタデータ） (2024-10-17T19:14:43Z)
• Secure Control Systems for Autonomous Quadrotors against Cyber-Attacks [0.0]
  本研究はまず,自律型四元系のためのインテリジェント制御系を設計する。 最先端のディープラーニングに基づく手法を用いて、最適な偽データ注入攻撃方式を提案する。 私たちは最近、自律的な設定のためにデプロイされた最先端の4倍体であるAgiliciousをベースとしています。
  論文  参考訳（メタデータ） (2024-09-18T11:43:07Z)
• Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
  UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。 エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。 UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
  論文  参考訳（メタデータ） (2021-03-03T20:54:19Z)
• Human-in-the-Loop Imitation Learning using Remote Teleoperation [72.2847988686463]
  6-DoF操作設定に合わせたデータ収集システムを構築します。 システムによって収集された新しいデータに基づいて,ポリシーを反復的にトレーニングするアルゴリズムを開発した。 介入型システムで収集したデータに基づいて訓練されたエージェントと、非介入型デモ参加者が収集した同等数のサンプルで訓練されたアルゴリズムを上回るエージェントを実証する。
  論文  参考訳（メタデータ） (2020-12-12T05:30:35Z)
• Thinking While Moving: Deep Reinforcement Learning with Concurrent Control [122.49572467292293]
  本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。 人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
  論文  参考訳（メタデータ） (2020-04-13T17:49:29Z)

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。