論文の概要: Scout-Assisted Planning for Heterogeneous Robot Teams under Partially Known Environments

• arxiv url: http://arxiv.org/abs/2605.22693v1
• Date: Thu, 21 May 2026 16:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.347637
• Title: Scout-Assisted Planning for Heterogeneous Robot Teams under Partially Known Environments
• Title（参考訳）: 部分的環境下での不均一なロボットチームのためのスカウト支援計画
• Authors: Hoang-Dung Bui, Abhish Khanal, Raihan Islam Arnob, Gregory J. Stein,
• Abstract要約: 本稿では,情報ゲインに基づくアクション・プルーニングを提案する。 実験の結果、SAPとInformation Gain Action Pruningは、カナダ旅行問題のベースラインを上回り、地上ロボットの走行コストを31.9-37.7%削減した。 我々は,情報ゲイン誘導型スカウトは実世界の展開において,より効果的かつ計算的に実現可能であると結論付けている。
• 参考スコア（独自算出の注目度）: 6.8072479152471566
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous robot teams navigating partially known environments face costly backtracking when ground robots encounter blocked roads that are only revealed upon physical traversal. We address this with Scout-Assisted Planning, a heterogeneous planning framework in which scouting Unmanned Aerial Vehicles proactively gather environmental information to improve Unmanned Ground Vehicle navigation. To focus scouting on the most consequential edges, we propose Information Gain-based Action Pruning, which scores candidate scouting actions by their expected impact on ground robot behavior. Since exact Information Gain-based Action Pruning computation is prohibitively expensive, we develop a Graph Neural Network based model that predicts information gain values directly from graph structure and belief state, reducing planning time to real-time levels without sacrificing solution quality. Experiments across three environment types show that SAP with Information Gain Action Pruning reduces ground robot travel cost by 31.9--37.7% over the Canadian Traveler Problem baseline, and outperforms proximity-based scouting guidance by an additional 8--14%, confirming that principled information-gain-guided scouting is both more effective and computationally feasible for real-world deployment
• Abstract（参考訳）: 部分的に知られている環境をナビゲートする自律ロボットチームは、物理的トラバースによってのみ明らかにされるブロックされた道路に接すると、コストがかかるバックトラックに直面します。 我々は、無人航空機の偵察を行う異種計画フレームワークであるScout-Assisted Planningを用いて、環境情報を積極的に収集し、無人航空機のナビゲーションを改善する。 そこで我々は,最も連続的なエッジに焦点を合わせるために,情報ゲインに基づくアクション・プルーニングを提案し,その動作が地上ロボットの動作に与える影響を予測して,候補のスカウト行動を評価する。 正確な情報ゲインベースのアクションプルーニング計算は極めて高価であるため,グラフ構造や信念状態から直接情報ゲイン値を予測し,ソリューション品質を犠牲にすることなく,計画時間をリアルタイムレベルに短縮するグラフニューラルネットワークを用いたモデルを開発した。 3つの環境タイプにわたる実験により、情報ゲインアクションプルーニングを用いたSAPは、カナダ旅行問題ベースラインを31.9-37.7%上回る地上ロボットの走行コストを削減し、近接ベースの偵察誘導を8-14%上回った。

関連論文リスト

• ForesightNav: Learning Scene Imagination for Efficient Exploration [57.49417653636244]
  人間の想像力と推論に触発された新しい探索戦略であるForesightNavを提案する。 提案手法は,ロボットエージェントに,未探索領域の占有状況や意味的詳細などの文脈情報を予測する能力を備える。 本研究では,Structured3Dデータセットを用いた想像力に基づくアプローチの有効性を検証し,シーン形状の予測において,正確な占有率予測と優れた性能を示す。
  論文  参考訳（メタデータ） (2025-04-22T17:38:38Z)
• Deep Reinforcement Learning with Dynamic Graphs for Adaptive Informative Path Planning [22.48658555542736]
  ロボットデータ取得における重要な課題は、当初未知の環境を抜けて観測を収集する計画経路である。 そこで本研究では,未知の3D環境において,ロボット経路を適応的に計画し,対象をマップする深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-02-07T14:24:41Z)
• Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning [60.599223456298915]
  本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。 本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。 最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
  論文  参考訳（メタデータ） (2022-08-17T14:19:33Z)
• Off-Policy Evaluation with Online Adaptation for Robot Exploration in Challenging Environments [6.4617907823964345]
  本稿では、状態値関数によって測定された「良い」状態がどのようにあるかを学習し、ロボット探査のガイダンスを提供する。 実世界のデータに関するオフラインのモンテカルロトレーニングと、トレーニングされた値推定器を最適化するために時間差分(TD)オンライン適応を実行する。 以上の結果から,ロボットが将来の状態を予測し,ロボット探索の指針となることが示唆された。
  論文  参考訳（メタデータ） (2022-04-07T00:46:57Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)
• Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
  多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。 本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。 学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
  論文  参考訳（メタデータ） (2021-04-12T23:14:41Z)
• Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs [5.043563227694137]
  本研究では,移動ロボットが事前の未知環境におけるランドマークの正確なマッピングをリアルタイムで効率的に行うという自律的な探索問題を考察する。 本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-24T16:50:41Z)

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。