論文の概要: Task-Semantic Graph-Driven Distributed Agent Networking for Underwater Target Tracking

• arxiv url: http://arxiv.org/abs/2605.15528v1
• Date: Fri, 15 May 2026 01:55:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.293392
• Title: Task-Semantic Graph-Driven Distributed Agent Networking for Underwater Target Tracking
• Title（参考訳）: タスクセマンティックグラフ駆動型分散エージェントネットワークによる水中目標追跡
• Authors: Shengchao Zhu, Guangjie Han, Chuan Lin, Yu He,
• Abstract要約: 本稿では,DIエンジンと6自由度水中AUV目標追尾シミュレータを統合したオープンソースのMARL-AUVプラットフォームを開発する。 私たちの知る限りでは、公共のMARLトレーニングフレームワークと物理的にモデル化されたAUVSwarmベースのタスクを接続する最初のオープンプラットフォームです。 提案するSTG-MAPPOは,多エージェントポリシー最適化のセマンティックタスクグラフ拡張版である。
• 参考スコア（独自算出の注目度）: 24.9583187619404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous underwater vehicle (AUV) swarms are emerging as intelligent underwater networks, where each node must sense, communicate, process local data, and make decisions under severe acoustic constraints. Persistent underwater target tracking is a typical task with moving targets, changing communication topology, intermittent acoustic links, and limited observation for each AUV. Multi-agent reinforcement learning (MARL) is a natural candidate for distributed tracking, yet existing studies still lack a unified open-source platform for evaluating different MARL algorithms under six-degree-of-freedom AUV dynamics. In addition, policies trained with raw geometric states and low-level force actions often struggle to represent task phases, observation reliability, link quality, and local cooperation roles. This paper addresses these issues by developing an open-source MARL-AUV platform that integrates DI-engine with a six-degree-of-freedom underwater AUV target-tracking simulator. To the best of our knowledge, it is the first open platform that connects a public MARL training framework with physically modeled AUV swarm-based tasks, and provides a unified experimental protocol for fair training, testing, and comparison of representative RL and MARL algorithms. Based on this platform, we propose STG-MAPPO, a Semantic Task Graph-enhanced variant of Multi-Agent Proximal Policy Optimization. STG-MAPPO builds semantic policy inputs from tracking diagnostics, task phases, observation confidence, link availability, neighbor tracking quality, and local role advantage. A compact semantic task graph links communication-constrained network states to decentralized actor decisions, and a velocity-level action abstraction maps high-level cooperative decisions to executable six-degree-offreedom AUV control inputs.The code is available at https://github.com/dasjsaj/MARL-AUV.
• Abstract（参考訳）: 自律型水中車両(AUV)群はインテリジェントな水中ネットワークとして出現し、各ノードが認識し、通信し、ローカルデータを処理し、厳しい音響的制約の下で決定を下さなければならない。 永続的な水中目標追跡は、移動目標、通信トポロジの変化、断続的な音響リンク、各AUVに対する限られた観測の典型的なタスクである。 マルチエージェント強化学習(MARL)は、分散トラッキングの自然な候補であるが、既存の研究では、6自由度AUV力学の下で異なるMARLアルゴリズムを評価するための統一されたオープンソースプラットフォームはいまだに存在しない。 さらに、生の幾何学的状態と低レベルの力の行動で訓練された政策は、しばしばタスクフェーズ、観察信頼性、リンク品質、局所的な協力の役割を表現するのに苦労する。 本稿では、DIエンジンと6自由度水中AUV目標追尾シミュレータを統合したオープンソースのMARL-AUVプラットフォームを開発することにより、これらの課題に対処する。 我々の知る限り、これは公共のMARLトレーニングフレームワークと物理的にモデル化されたAUVSwarmベースのタスクを接続する最初のオープンプラットフォームであり、代表的RLとMARLアルゴリズムの公正なトレーニング、テスト、比較のための統一的な実験プロトコルを提供する。 このプラットフォームをベースとして,マルチエージェント・プロキシ・ポリシー最適化のセマンティック・タスクグラフ拡張版STG-MAPPOを提案する。 STG-MAPPOは、診断、タスクフェーズ、監視信頼性、リンク可用性、近隣のトラッキング品質、およびローカルロールの利点からセマンティックポリシーインプットを構築する。 コンパクトなセマンティックタスクグラフは、通信制約のあるネットワーク状態を分散アクター決定にリンクし、ベロシティレベルのアクション抽象化は、高レベルの協調的な決定を実行可能な6自由度AUV制御入力にマッピングする。

関連論文リスト

• Learning to Communicate Locally for Large-Scale Multi-Agent Pathfinding [48.1609560841622]
  本稿では,効率的な特徴共有を通じてエージェント間の協調を強化するための学習可能な通信モジュールを提案する。 提案手法は既存の学習ベースMAPFソルバよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-08T12:05:08Z)
• Multi-AUV Ad-hoc Networks-Based Multi-Target Tracking Based on Scene-Adaptive Embodied Intelligence [17.13365683218245]
  本稿では,マルチAUVアドホックネットワークのためのシーン適応型エンボディインテリジェンス(EI)アーキテクチャを提案する。 EIは、知覚、意思決定、身体的実行を統一された認知ループに統合することで、AUVを具現化された実体として再考する。
  論文  参考訳（メタデータ） (2026-03-28T08:48:22Z)
• IMAGINE: Intelligent Multi-Agent Godot-based Indoor Networked Exploration [0.0]
  本稿では,2次元屋内環境における課題に対処するために,MARL(Multi-Agent Reinforcement Learning)を実装した。 政策訓練は、不確実性の下で創発的な協調行動と意思決定を達成することを目的としている。
  論文  参考訳（メタデータ） (2026-02-02T22:08:41Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Bayesian Ego-graph inference for Networked Multi-Agent Reinforcement Learning [16.190458233440864]
  本稿では,ネットワーク型MARLのためのグラフベースのポリシーを提案する。 ベイズ変分法による疎密なコンテキスト認識相互作用構造を学習する分散型アクターフレームであるBayesGを紹介する。 BayesGは、最大167エージェントの大規模トラフィック制御タスクにおいて、強力なMARLベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-20T10:09:37Z)
• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• Benchmarking LLMs' Swarm intelligence [51.648605206159125]
  大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。 分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。 本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
  論文  参考訳（メタデータ） (2025-05-07T12:32:01Z)
• Without Paired Labeled Data: End-to-End Self-Supervised Learning for Drone-view Geo-Localization [20.603433987118837]
  ドローンビュージオローカライゼーション(DVGL)は、GPSタグ付き衛星画像を取得することで、ドローンの正確なローカライゼーションを実現することを目的としている。 既存の手法は、教師あり学習のために、厳密にペアリングされたドローン衛星画像に大きく依存している。 浅いバックボーンネットワークを用いたエンドツーエンドの自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-17T02:53:08Z)

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。