論文の概要: Disturbance-Aware Aerial Robotics for Ethical Wildlife Monitoring

• arxiv url: http://arxiv.org/abs/2606.08249v1
• Date: Sat, 06 Jun 2026 16:22:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.994152
• Title: Disturbance-Aware Aerial Robotics for Ethical Wildlife Monitoring
• Title（参考訳）: 倫理的野生生物モニタリングのための外乱対応エアリアルロボティクス
• Authors: Mahmut Osmanovic, Isac Paulsson, Teddy Lazebnik,
• Abstract要約: 本研究では,異種航空ロボット群を対象とした外乱対応強化学習フレームワークを提案する。 我々は、観察品質と乱れリスクのトレードオフを捉えた報酬定式化を用いて制御政策を訓練する。 これらの結果から,非侵襲的自律野生生物観察の基盤として外乱認識学習が確立された。
• 参考スコア（独自算出の注目度）: 4.817429789586127
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable wildlife monitoring is essential for ecology and conservation, yet many existing methods, such as tagging, capture, and close-range observation, can alter the very behaviors they aim to measure. Aerial robots offer a scalable alternative, which has shown promising performance in multiple studies. Nonetheless, existing approaches typically lack behavioral awareness, rely on fixed heuristics, or require real-world training data that are costly, impractical, and ethically difficult to obtain. As a result, there remains no general framework for adaptive drone-based monitoring that can both preserve ecological validity and scale across species, behaviors, and robotic platforms. In this study, we introduce a disturbance-aware reinforcement-learning-based framework for heterogeneous aerial robotic fleets that enables autonomous wildlife tracking while explicitly minimizing behavioral disruption. We couple a zoologically grounded simulation environment with fitted animal movement models derived from real trajectory statistics, and train control policies using a reward formulation that captures the trade-off between observation quality and disturbance risk. Across three species (pigeon, jackal, and spur-winged lapwing) with distinct ecologies and motion patterns and four increasingly strategic behavior models common in nature, the learned policies consistently surpassed currently used rule-based baselines and generalized across monitoring tasks, animal dynamics, and drone types. These results establish disturbance-aware learning as a viable foundation for non-invasive autonomous wildlife observation, opening a path towards scalable, ethically responsible, and scientifically reliable robotic monitoring in ecology and conservation.
• Abstract（参考訳）: 信頼性の高い野生生物のモニタリングは生態学と保全に不可欠であるが、タグ付け、捕獲、近距離観測といった多くの既存の手法は、彼らが測定しようとしている行動を変えることができる。 航空ロボットはスケーラブルな代替手段を提供しており、複数の研究で有望な性能を示している。 それにもかかわらず、既存のアプローチは行動意識を欠いているのが一般的であり、固定的なヒューリスティックに依存しているか、あるいはコストがかかり、実用的でなく、倫理的に入手が難しい実世界のトレーニングデータを必要とする。 結果として、適応型ドローンベースの監視のための一般的なフレームワークは、生態学的妥当性と種、行動、ロボットプラットフォームにわたるスケールの両方を維持できる。 本研究では, 自律型野生生物追跡を可能とし, 行動破壊を極力最小化する, 不均質な航空ロボット群を対象とした耐障害性を考慮した強化学習フレームワークを提案する。 本研究では,実際の軌道統計から導かれる動物運動モデルと,観察品質と乱れリスクのトレードオフを捉えた報酬定式化を用いた列車制御ポリシを,動物学的基盤シミュレーション環境と組み合わせた。 自然界に共通する4つの戦略行動モデルを持つ3つの種(ピジョン、ジャガール、スペルウィング)にまたがって、学習方針は、現在使用されているルールベースのベースラインを一貫して上回り、監視タスク、動物力学、ドローンタイプにまたがって一般化された。 これらの結果は、非侵襲的な自律野生生物観察の有効な基盤として外乱認識学習を確立し、生態と保全におけるスケーラブルで倫理的に責任があり、科学的に信頼できるロボットモニタリングへの道を開く。

関連論文リスト

• Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
  人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。 この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。 我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:10:05Z)
• Autonomous Sea Turtle Robot for Marine Fieldwork [45.22208456166796]
  生物に触発された移動とフィールド対応の自律性の間のギャップを埋める,海カメに触発された自律水中ロボットについて紹介する。 このロボットは、頑丈な奥行き安定化と障害物回避と目標中心制御を組み合わせて、複雑な地形の中で動く物体を追跡し、対話する。
  論文  参考訳（メタデータ） (2026-02-24T21:36:19Z)
• ShadowWolf -- Automatic Labelling, Evaluation and Model Training Optimised for Camera Trap Wildlife Images [0.0]
  世界の人類の連続的な成長は、人類の生息地の拡大につながっている。 野生生物のモニタリングは様々な文脈で重要になっている。 従来のAIトレーニングには、イメージ収集、ラベル付け、モデルトレーニングの3つの主要なステージが含まれている。 我々は,AIモデルのトレーニングと評価の段階の統合と最適化を目的とした,ShadowWolfと呼ばれる統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-06T18:17:53Z)
• Dissecting Larval Zebrafish Hunting using Deep Reinforcement Learning Trained RNN Agents [1.8853228540913756]
  幼魚狩りは、生態的・エネルギ的制約が適応行動をどのように形成するかを研究するための、魅力的な環境を提供する。 我々は,最小限のエージェントベースモデルを構築し,ブーンベースのゼブラフィッシュシミュレータにおいて,深層強化学習による繰り返しポリシーを訓練する。 その単純さにもかかわらず、このモデルは本物の幼魚のゼブラフィッシュと密にマッチするハロウィン狩りの行動を再現する。
  論文  参考訳（メタデータ） (2025-10-04T06:40:32Z)
• kabr-tools: Automated Framework for Multi-Species Behavioral Monitoring [4.303185550812535]
  自動多種行動監視のためのオープンソースパッケージであるkabr-toolsを提案する。 このフレームワークは、ドローンベースのビデオと機械学習システムを統合し、野生動物の映像から行動、社会的、空間的メトリクスを抽出する。 地上からの観測に比べて、ドローンによる観測は行動の粒度を大幅に改善し、視界の損失を15%削減した。
  論文  参考訳（メタデータ） (2025-10-02T14:03:55Z)
• Decentralized Vision-Based Autonomous Aerial Wildlife Monitoring [55.159556673975544]
  野生生物モニタリングのための分散視覚に基づくマルチクワッドロータシステムを提案する。 我々のアプローチは、その自然生息地における大型種のロバスト同定と追跡を可能にする。
  論文  参考訳（メタデータ） (2025-08-20T20:05:05Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• Seeing biodiversity: perspectives in machine learning for wildlife conservation [49.15793025634011]
  機械学習は、野生生物種の理解、モニタリング能力、保存性を高めるために、この分析的な課題を満たすことができると我々は主張する。 本質的に、新しい機械学習アプローチとエコロジー分野の知識を組み合わせることで、動物生態学者は現代のセンサー技術が生み出すデータの豊富さを生かすことができる。
  論文  参考訳（メタデータ） (2021-10-25T13:40:36Z)
• Variational Dynamic for Self-Supervised Exploration in Deep Reinforcement Learning [12.76337275628074]
  本研究では,条件付き変分推論に基づく変動力学モデルを提案し,多モード性および生成性をモデル化する。 環境遷移の負の対数類似度の上界を導出し、その上界を探査の本質的な報酬として利用する。 提案手法は,最先端の環境モデルに基づく探索手法よりも優れている。
  論文  参考訳（メタデータ） (2020-10-17T09:54:51Z)

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。