論文の概要: A Cross-Layered Multi-Drone Coordination for Medical Supply Delivery during Disaster Response Management

• arxiv url: http://arxiv.org/abs/2605.09342v1
• Date: Sun, 10 May 2026 05:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.200779
• Title: A Cross-Layered Multi-Drone Coordination for Medical Supply Delivery during Disaster Response Management
• Title（参考訳）: 災害対応管理における医療提供のためのクロスレイヤー多次元コーディネート
• Authors: Aneesh Calyam, Subrahmanya Chandra Bhamidipati, Zack Murry, Sharan Srinivas,
• Abstract要約: 我々は,協調型マルチドローン医療配信のための新しいCTDE Deep Q-NetworkアルゴリズムであるCEDAを提案する。 CEDAは、動的不確実性の下で、トリアージプライオリティ対応ルーティング、マルチエージェント調整、エネルギー効率の高いナビゲーションを共同で最適化する。 CEDAは85%以上のデリバリ完了率を達成し、トレーニング中の障害物衝突を90%以上削減し、平均6人の患者に平均0.82のトリアージ効率を提供する。
• 参考スコア（独自算出の注目度）: 0.45671221781968324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous drone fleets have immense potential in medical supply delivery during disaster incident response. However, coordinating multiple drones in such settings introduces compounding challenges: dynamic environmental hazards such as wind, obstacles, and intermittent network connectivity, constrained energy budgets, and the need to serve patient locations fairly under deadlines and triage-based priority while optimizing schedule utilization. In this paper, we present CEDA, a novel CTDE Deep Q-Network algorithm for cooperative multi-drone medical delivery, designed to jointly optimize triage-priority-aware routing, multi-agent coordination, and energy-efficient navigation under dynamic uncertainty. CEDA introduces a Priority-Preserving Fair Scheduling strategy, in which a structured reward function encodes both triage weights and complementary fairness mechanisms ensuring no patient class is starved of service. We evaluate CEDA in a simulated grid environment featuring dynamic hazard zones, stochastic action failures, and dynamically spawning patients across three triage priority levels, as well as in a PX4 SITL validation using two X500 quadrotors controlled via MAVSDK in offboard position mode. Simulation results demonstrate that CEDA achieves a delivery completion rate above 85%, reduces obstacle collisions by over 90% across training, and delivers an average of 6 patients per episode with a triage efficiency of 0.82. CEDA preserves clinical priority ordering, Critical patients are served first, while achieving near-zero mortality across lower-triage classes, confirming that priority-weighted routing does not condemn Stable or Urgent patients to neglect. PX4 SITL validation further demonstrates that the learned policy remains executable and triage-coherent under practical communication constraints and realistic multi-drone coordination in disaster response settings.
• Abstract（参考訳）: 自律型ドローン艦隊は、災害時の医療用品の配達に大きな可能性を秘めている。 風、障害物、断続的なネットワーク接続、制約されたエネルギー予算、およびスケジュール利用を最適化しながら、期限とトリアージに基づく優先順位の下で患者の位置を提供する必要性。 本稿では,協調型マルチドローン医療提供のための新しいCTDE Deep Q-NetworkアルゴリズムであるCEDAについて述べる。 CEDAはプライオリティ保存フェアスケジューリング戦略を導入し、構造化報酬関数はトリアージ重みと補完フェアネス機構の両方を符号化し、患者クラスが飢えていないことを保証している。 我々は,3つのトリアージ優先レベルにおいて,動的ハザードゾーン,確率的動作障害,動的に発症する患者を模擬グリッド環境においてCEDAを評価するとともに,MAVSDKを介して制御された2つのX500クオーターを用いたPX4 SITL検証を行った。 シミュレーションの結果、CEDAは85%以上を達成し、トレーニング中の障害物衝突を90%以上減らし、平均6人の患者をトリアージ効率0.82で提供した。 CEDAは、臨床優先の順序を維持しており、クリティカルな患者は先に提供され、一方、低位階級でほぼゼロの死亡率を達成し、優先度の高いルーティングは、スタブル患者やアージェント患者を無視するものではないことを証明している。 PX4 SITLバリデーションは、実際の通信制約と災害対応設定における現実的なマルチドローン協調の下で、学習されたポリシーが実行可能であり、トリアージコヒーレントであることをさらに証明している。

関連論文リスト

• Plasticity-Enhanced Multi-Agent Mixture of Experts for Dynamic Objective Adaptation in UAVs-Assisted Emergency Communication Networks [5.059907627897051]
  我々は, 可塑性強化型多剤混合専門家(PE-MAMoE)を提案する。 PE-MAMoEは、各UAVに、ルーターが1ステップごとに1つの専門家を選択する専門家アクターをわずかに混合する。 環境変動と累積雑音エネルギーの両方で追従誤差尺度を示す動的後悔境界を導出する。
  論文  参考訳（メタデータ） (2026-04-10T06:46:29Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Outpatient Appointment Scheduling Optimization with a Genetic Algorithm Approach [0.19575541492160772]
  本研究では,医療行為のスケジューリングの自動化を目的とした遺伝的アルゴリズムフレームワークの提案と評価を行う。 また,50の医療行為を含む合成データセットを用いて,決定論的ファースト・コーム,ファースト・サーブド(F),ランダム・チョイス(Random Choice)の2つのGA変種を比較した。
  論文  参考訳（メタデータ） (2026-02-25T15:15:57Z)
• Adaptive Reinforcement and Model Predictive Control Switching for Safe Human-Robot Cooperative Navigation [10.614812216110673]
  本稿では,近接制御と安全制約の同時実施による移動ロボットの人間誘導ナビゲーションの課題について論じる。 本稿では,ハイブリッド学習制御フレームワークであるAdaptive Reinforcement and Model Predictive Control Switching (ARMS)を紹介する。 乱雑な環境でARMSが82.5パーセントの成功率を達成することを示す。
  論文  参考訳（メタデータ） (2026-01-23T12:02:18Z)
• STAR-RIS-assisted Collaborative Beamforming for Low-altitude Wireless Networks [58.13757830013997]
  無人航空機(UAV)に基づく無線ネットワークは、都市コミュニケーションに高いモビリティ、柔軟性、カバーを提供する。 閉塞により、密集した環境では信号の減衰が激しい。 この重要な問題に対処するために、UAVの協調ビームの導入と全方向逆方向ビームフォーミングについて検討する。
  論文  参考訳（メタデータ） (2025-10-25T01:28:37Z)
• LLM-Assisted Emergency Triage Benchmark: Bridging Hospital-Rich and MCI-Like Field Simulation [0.0]
  劣化予測のためのLCM支援緊急トリアージベンチマークをオープンに導入する。 i)バイタル、実験室、ノート、主要な苦情、構造化された観察を伴う病院に富んだ設定、(ii)バイタル、観察、ノートに限定されたMCIライクなフィールドシミュレーションである。
  論文  参考訳（メタデータ） (2025-09-30T14:54:58Z)
• AT-CXR: Uncertainty-Aware Agentic Triage for Chest X-rays [12.843444405498404]
  胸部X線に対する不確実性認識剤AT-CXRについて紹介する。 システムは、ケースごとの信頼度と分散適合度を推定し、次に、自動決定を発行するための段階的なポリシーに従う。 同一の入力と動作を共有する2つのルータの設計を評価する。
  論文  参考訳（メタデータ） (2025-08-26T14:33:09Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for Cellular Offloading [59.32570888309133]
  複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案 非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。 相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
  論文  参考訳（メタデータ） (2020-10-18T20:22:05Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)

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。