論文の概要: Anisotropic Diffusion-Driven Ergodic Coverage in Multi-Robot Systems

• arxiv url: http://arxiv.org/abs/2605.24125v1
• Date: Fri, 22 May 2026 18:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:33:20.761011
• Title: Anisotropic Diffusion-Driven Ergodic Coverage in Multi-Robot Systems
• Title（参考訳）: 多ロボットシステムにおける異方性拡散駆動型エルゴディック被覆
• Authors: Thales C. Silva, Anoop Kiran, Nora Ayanian,
• Abstract要約: 伝統的なエルゴディック検索アルゴリズムは、異なるスケールでの所望の分布を考慮に入れたエルゴディディティのためのメトリクスを使用する。 熱方程式駆動型エルゴード法が提案され、エルゴード計量の滑らか化に柔軟性が加わった。 本稿では、エルゴディディティ問題の異方性拡散の一般クラスを導入し、エルゴディティ探索のポテンシャル場を生成する。
• 参考スコア（独自算出の注目度）: 0.9634859579172251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of combining potential field and ergodic search on multi-robot systems. Traditional ergodic search algorithms use metrics for ergodicity that account for the desired distribution at different scales. Recently, a heat equation-driven ergodic approach was proposed, which adds flexibility to the smoothing of the ergodic metric. However, such an approach, as it is an isotropic diffusion, propagates the error uniformly in all directions, regardless of changes in the desired distribution. We introduce a general class of anisotropic diffusion formulation of the ergodicity problem, which generates a potential field for the ergodic search. We demonstrate that this approach generalizes previous results, which consider radial basis functions and the solution of the heat equation to represent the difference between the goal density distribution and the covered trajectories. In our solution, the agent movement is directed using the gradient of the solution of the Perona-Malik diffusion, and our formulation includes the heat equation as a special case. We demonstrate the methodology with a series of simulations in different scenarios.
• Abstract（参考訳）: マルチロボットシステムにおけるポテンシャル場とエルゴード探索の併用の問題を考える。 伝統的なエルゴディック検索アルゴリズムは、異なるスケールでの所望の分布を考慮に入れたエルゴディディティのためのメトリクスを使用する。 近年,熱方程式駆動型エルゴード法が提案され,エルゴード計量の平滑化に柔軟性が加わった。 しかし、そのようなアプローチは、等方拡散であるので、所望の分布の変化にかかわらず、すべての方向で誤差を均一に伝播する。 本稿では、エルゴディディティ問題の異方性拡散の一般クラスを導入し、エルゴディティ探索のポテンシャル場を生成する。 本手法は, 目標密度分布と被覆軌道の差を表すために, 放射基底関数と熱方程式の解を考慮し, 従来の結果の一般化を実証する。 本ソリューションでは, ペロナ-マリク拡散の解の勾配を用いてエージェントの動きを誘導し, 熱方程式を特別な場合として定式化する。 様々なシナリオで一連のシミュレーションで方法論を実証する。

関連論文リスト

• Physics-informed diffusion models in spectral space [2.5315729179239637]
  本稿では,生成潜在拡散モデルと物理インフォームド機械学習を組み合わせた手法を提案する。 我々は、スケールされたスペクトル表現の潜在空間における拡散過程を通じて、PDEパラメータと解の合同分布を学習する。 提案したPoisson, Helmholtz, and incompressible Navier--Stokes 方程式に対するアプローチを評価し,精度と計算効率を向上した。
  論文  参考訳（メタデータ） (2026-02-10T12:11:07Z)
• Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
  本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。 多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。 その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
  論文  参考訳（メタデータ） (2025-07-24T11:02:13Z)
• Governing Equation Discovery from Data Based on Differential Invariants [52.2614860099811]
  微分不変量に基づく方程式探索のためのパイプラインを提案する。 具体的には、対称性群の無限小生成元に対応する微分不変量の集合を計算する。 例として、DI-SINDyを例として、PDE発見におけるその成功率と精度が、他の対称性にインフォームドされた支配方程式発見法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-24T17:19:02Z)
• Geophysical inverse problems with measurement-guided diffusion models [0.4532517021515834]
  DPS(Diffusion Posterior Sampling)とPGDM(Pseudo-inverse Guided Diffusion Model)という2つのサンプリングアルゴリズムを提案する。 DPSでは、解の1ステップの denoising 推定から得られた残差に対して、モデリング演算子の随伴を応用して誘導項を得る。 一方、PGDMは擬逆演算子を用いており、これは一段階の分極解が決定論的でないことを起源としている。
  論文  参考訳（メタデータ） (2025-01-08T23:33:50Z)
• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• AdjointDEIS: Efficient Gradients for Diffusion Models [2.0795007613453445]
  拡散SDEに対する連続随伴方程式は、実際には単純なODEに単純化されていることを示す。 また, 顔形態形成問題の形で, 対向攻撃による誘導生成に対するAdjointDEISの有効性を実証した。
  論文  参考訳（メタデータ） (2024-05-23T19:51:33Z)
• Polynomial Chaos Expansions on Principal Geodesic Grassmannian Submanifolds for Surrogate Modeling and Uncertainty Quantification [0.41709348827585524]
  高次元システムにおける不確実性のための多様体学習に基づく代理モデリングフレームワークを提案する。 反応のグラスマン多様体上の主測地線解析を用いて、不随伴な主測地線部分多様体の集合を同定する。 次に、ランダムな入力パラメータと応答の投影の間のマッピングを構築するために、多項式カオス展開を用いる。
  論文  参考訳（メタデータ） (2024-01-30T02:13:02Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion Processes [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• Variational Monte Carlo Approach to Partial Differential Equations with Neural Networks [0.0]
  我々は高次元確率分布の進化を規定する偏微分方程式を解くための変分的アプローチを開発する。 我々のアプローチは自然に非有界連続領域に作用し、その変動パラメータを通して全確率密度関数を符号化する。 検討されたベンチマークケースに対しては、従来の計算手法に到達できないレジームにおける解析解と同様に、数値解との優れた一致を観察する。
  論文  参考訳（メタデータ） (2022-06-04T07:36:35Z)
• Determination of the critical exponents in dissipative phase transitions: Coherent anomaly approach [51.819912248960804]
  オープン量子多体系の定常状態に存在する相転移の臨界指数を抽出するコヒーレント異常法の一般化を提案する。
  論文  参考訳（メタデータ） (2021-03-12T13:16:18Z)

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。