論文の概要: Multi-UAV Active Sensing with Information Gain-based Planning and Belief Fusion

• arxiv url: http://arxiv.org/abs/2606.10986v1
• Date: Tue, 09 Jun 2026 15:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.05549
• Title: Multi-UAV Active Sensing with Information Gain-based Planning and Belief Fusion
• Title（参考訳）: 情報ゲインに基づく多UAVアクティブセンシングと信頼融合
• Authors: S. Habibi, L. Marques,
• Abstract要約: 無人航空機(UAV)は、空間的に分散した環境でのアクティブなセンシングと情報収集にますます利用されている。 本稿では,確率的バイナリ地形マッピングのためのマルチUAVアクティブセンシングフレームワークの現実的検証について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned aerial vehicles (UAVs) are increasingly used for active sensing and information gathering in spatially distributed environments. Their performance, however, is constrained by limited flight time, sensing uncertainty, and the trade-off between spatial coverage and observation accuracy. This paper presents a real-world validation of a multi-UAV active sensing framework for probabilistic binary terrain mapping, with precision agriculture used as the application case. The environment is represented as a probabilistic belief map, where spatial dependencies are modeled through a factor-graph formulation. UAV decision making is guided by Information Gain based Informative Path Planning (IGbIPP), and the approach is compared with Random Walk and Sweep coverage path planning baselines using both synthetic terrains and real UAV-derived agricultural imagery. The study also evaluates spatial correlation weights and several probabilistic belief-fusion rules for multi-UAV information sharing. Results show that IGbIPP reduces entropy and mapping error more effectively than the baselines, while a wider field of view improves real-world coverage and map accuracy. The results further show that simple equal or biased spatial weights can be more robust than adaptive weights, and that Bayesian, log-odds, and Dempster--Shafer fusion achieve the best cooperative mapping performance. These findings highlight the importance of uncertainty-driven planning, sensing geometry, spatial modeling, and probabilistic fusion for real-world UAV-based active sensing.
• Abstract（参考訳）: 無人航空機(UAV)は、空間的に分散した環境でのアクティブなセンシングと情報収集にますます利用されている。 しかし、それらの性能は、飛行時間に制限があり、不確実性を感知し、空間的カバレッジと観測精度のトレードオフがある。 本稿では,確率的バイナリ地形マッピングのためのマルチUAVアクティブセンシングフレームワークの現実的検証について述べる。 環境は確率論的信念マップとして表現され、空間依存は因子グラフの定式化によってモデル化される。 UAVの意思決定はIGbIPP(Information Gain based Informative Path Planning)によってガイドされ、このアプローチは、合成地形と実際のUAV由来の農業画像の両方を用いてランダムウォークとスウィープカバレッジパス計画ベースラインと比較される。 また,複数UAV情報共有のための空間相関重みと確率論的信念融合則についても検討した。 その結果、IGbIPPはベースラインよりもエントロピーとマッピングの誤差を効果的に低減し、視野の広さは現実世界のカバレッジとマップの精度を向上させることがわかった。 さらに, 空間重みは適応重みよりも頑健であり, ベイジアン, 対数オード, デンプスター-シャファー融合が最適協調写像性能を達成できることが示唆された。 これらの知見は、現実のUAVに基づくアクティブセンシングにおいて、不確実性駆動型計画、センシング幾何学、空間モデリング、確率的融合の重要性を強調している。

関連論文リスト

• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
  本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。 我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
  論文  参考訳（メタデータ） (2026-03-23T16:17:39Z)
• Tighnari v2: Mitigating Label Noise and Distribution Shift in Multimodal Plant Distribution Prediction via Mixture of Experts and Weakly Supervised Learning [4.888851550406879]
  Presence-Only (PO) データは広い空間範囲と豊富な分布を提供するが、負のサンプルではひどいラベルノイズに悩まされる。 本稿では,PAおよびPOデータの強度をフル活用したマルチモーダル融合フレームワークを提案する。 GeoLifeCLEF 2025の実験では,PAカバレッジが限定され,分散シフトが顕著なシナリオにおいて,本手法が優れた予測性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-02-09T05:23:22Z)
• Active Informative Planning for UAV-based Weed Mapping using Discrete Gaussian Process Representations [0.0]
  情報経路計画(IPP)は、最も必要な場所でデータを適応的に収集する方法を提供する。 GPマッピングは、組込みの不確実性を伴う雑草分布の連続モデルを提供する。 多くの離散化技法が存在するが、離散化選択の影響はいまだに理解されていない。 本稿では,異なるGP表現がUAVを用いた雑草マッピングにおけるマップ品質とミッションレベル性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2026-01-19T16:20:27Z)
• Crossmodal learning for Crop Canopy Trait Estimation [8.011752394739903]
  本稿では,高解像度衛星画像にUAVレベルの視覚的ディテールを付加したクロスモーダル学習手法を提案する。 我々は、米国コーンベルトの5つの異なる場所にわたって84種類のハイブリッドトウモロコシ品種の複製されたプロットから収集された、ほぼ同一の衛星UAV画像対のデータセットを使用する。 その結果、衛星入力から生成されたUAVライクな表現は、収量や窒素予測を含む複数の下流タスクにおいて、実際の衛星画像よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-11-20T04:25:11Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Adaptive Path Planning for UAVs for Multi-Resolution Semantic Segmentation [28.104584236205405]
  重要な課題は、大規模な環境で取得したデータの価値を最大化するミッションを計画することである。 これは例えば、農地のモニタリングに関係している。 本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-03T11:03:28Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)
• Adaptive Path Planning for UAV-based Multi-Resolution Semantic Segmentation [26.729010176211016]
  本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。 私たちのアプローチの重要な特徴は、ディープラーニングベースのアーキテクチャのための新しい精度モデルです。 実地フィールドデータを用いた精密農業における作物・雑草分断の適用性について,本研究のアプローチを評価した。
  論文  参考訳（メタデータ） (2021-08-04T07:30:04Z)
• Towards Overcoming False Positives in Visual Relationship Detection [95.15011997876606]
  視覚的関係検出(VRD)における偽陽性率の高い原因について検討する。 本稿では,偽陽性の影響を軽減する堅牢なVRDフレームワークとして,Spatially-Aware Balanced negative pRoposal sAmpling(SABRA)を提案する。
  論文  参考訳（メタデータ） (2020-12-23T06:28:00Z)

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。