論文の概要: Scaling Datasets for Multi-Sensor, Multi-Agent, and Multi-Domain Learning in Autonomous Systems

• arxiv url: http://arxiv.org/abs/2606.04444v1
• Date: Wed, 03 Jun 2026 04:46:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.549066
• Title: Scaling Datasets for Multi-Sensor, Multi-Agent, and Multi-Domain Learning in Autonomous Systems
• Title（参考訳）: 自律システムにおけるマルチセンサ,マルチエージェント,マルチドメイン学習のためのデータセットのスケーリング
• Authors: R. Spencer Hallyburton, David Hunt, Miroslav Pajic,
• Abstract要約: 地上, 航空, インフラベースシステムのためのテラバイト規模の地上構造ラベル付きデータを生成するモジュール型データセット生成パイプラインを提案する。 生成されたデータがどのようにアプリケーション固有のトレーニングと協調的な自律性をサポートするかを示す。
• 参考スコア（独自算出の注目度）: 10.89128750728767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing datasets cannot support large-scale learning in multi-agent, multi-sensor, or multi-domain autonomy, where diversity and coordination are essential. We present a modular dataset generation pipeline that creates terabyte-scale, ground-truth-labeled data for ground, aerial, and infrastructure-based systems using the AVstack framework and CARLA simulator. Supporting single- and multi-agent configurations with flexible sensor suites, the pipeline enables controllable experimentation across challenging conditions. Representative perception and fusion studies show how generated data can support application-specific training and collaborative autonomy.
• Abstract（参考訳）: 既存のデータセットは、多様性と調整が不可欠であるマルチエージェント、マルチセンサー、あるいはマルチドメイン自律性において、大規模な学習をサポートできない。 AVstackフレームワークとCARLAシミュレータを用いて,地上・航空・インフラベースシステムのためのテラバイト規模の地上構造ラベル付きデータを生成するモジュール型データセット生成パイプラインを提案する。 フレキシブルなセンサースイートによるシングルエージェントとマルチエージェント構成のサポートにより、パイプラインは、困難な条件を越えて制御可能な実験を可能にする。 代表的知覚と融合研究は、生成されたデータがアプリケーション固有のトレーニングと協調的な自律性をサポートする方法を示している。

関連論文リスト

• HeteroHub: An Applicable Data Management Framework for Heterogeneous Multi-Embodied Agent System [10.1098903025112]
  異種多体エージェントシステムは、動的環境におけるタスクを達成するために、多様な能力を持つ複数のエンボディエージェントを協調する。 既存のフレームワークには、そのようなシステムの実際のデプロイをサポートするための統一されたデータ管理インフラストラクチャがない。 textbfHeteroHubは静的メタデータ、タスクアライントレーニングコーパス、リアルタイムデータストリームを統合したデータ中心のフレームワークである。
  論文  参考訳（メタデータ） (2026-03-30T04:01:05Z)
• OmniGen: Unified Multimodal Sensor Generation for Autonomous Driving [58.693329943871355]
  我々は,一貫したフレームワークでアライメントされたマルチモーダルセンサデータを生成するOminiGenを提案する。 このアプローチでは、共有のBirdu 2019s Eye View(BEV)スペースを活用して、マルチモーダル機能を統合する。 UAEはボリュームレンダリングによるマルチモーダルセンサデコーディングを実現し、正確で柔軟な再構築を可能にする。
  論文  参考訳（メタデータ） (2025-12-16T09:18:15Z)
• LLM-based Multi-Agent Blackboard System for Information Discovery in Data Science [69.1690891731311]
  従来のAIモデルのためのブラックボードアーキテクチャに着想を得た,新しいマルチエージェント通信パラダイムを提案する。 このフレームワークでは、中央エージェントが共有ブラックボードにリクエストをポストし、自律的な従属エージェントがその能力に基づいて応答する。 明示的なデータ発見を必要とする3つのベンチマークに対して,本手法の評価を行った。
  論文  参考訳（メタデータ） (2025-09-30T22:34:23Z)
• MultiSensor-Home: A Wide-area Multi-modal Multi-view Dataset for Action Recognition and Transformer-based Sensor Fusion [2.7745600113170994]
  ホーム環境における包括的行動認識のための新しいベンチマークであるMultiSensor-Homeデータセットを紹介する。 また,マルチモーダルマルチビュー変換器を用いたセンサフュージョン (MultiTSF) 法を提案する。
  論文  参考訳（メタデータ） (2025-04-03T05:23:08Z)
• Uni$^2$Det: Unified and Universal Framework for Prompt-Guided Multi-dataset 3D Detection [64.08296187555095]
  Uni$2$Detは3D検出のための統一的で普遍的なマルチデータセットトレーニングのためのフレームワークである。 マルチデータセット3D検出のためのマルチステージプロンプトモジュールを提案する。 ゼロショットクロスデータセット転送の結果は,提案手法の一般化能力を検証する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:50Z)
• Very Large-Scale Multi-Agent Simulation in AgentScope [112.98986800070581]
  我々は,ユーザフレンドリーなマルチエージェントプラットフォームであるAgentScopeの新機能とコンポーネントを開発した。 高いスケーラビリティと高効率を実現するために,アクタをベースとした分散機構を提案する。 また、多数のエージェントを便利に監視し、管理するためのWebベースのインターフェースも提供します。
  論文  参考訳（メタデータ） (2024-07-25T05:50:46Z)
• Meta-models for transfer learning in source localisation [3.8922067105369154]
  この研究は、(メタモデルとして)AE実験間の相互依存性を捉えることを目的としている。 ハイレベルなメタモデルがタスク間関係をキャプチャするベイズ的マルチレベルアプローチを利用する。 主要な貢献は、実験的なキャンペーンの知識をタスクとタスクの間でエンコードする方法である。
  論文  参考訳（メタデータ） (2023-05-15T14:02:35Z)
• SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge Devices [69.1412199244903]
  エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。 S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。 SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
  論文  参考訳（メタデータ） (2021-09-08T22:06:16Z)

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。