論文の概要: ED3R: Energy-Aware Distributed Disaster Detection Enabled by Cooperative Robotic Agents
- arxiv url: http://arxiv.org/abs/2606.17739v1
- Date: Tue, 16 Jun 2026 09:59:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.384901
- Title: ED3R: Energy-Aware Distributed Disaster Detection Enabled by Cooperative Robotic Agents
- Title（参考訳）: ED3R:協調ロボットエージェントによる省エネルギー型分散型災害検出
- Authors: Lina Magoula, Nikolaos Koursioumpas, Nancy Alonistioti, Ramin Khalili,
- Abstract要約: 本稿では,不確実性を考慮した山火事検出のためのエネルギー対応分散フレームワークED3Rを紹介する。
ED3Rは、ロボットとリモコンとの間の階層的な協調的意思決定を可能にする。
ミッション成功率97.18%に達し、ベースラインよりも41%速い山火事を検出する。
- 参考スコア（独自算出の注目度）: 3.3540424603831323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotics are expected to support environmental monitoring and natural disaster management, where decisions must be made under uncertainty, resource limitations, and strict operational constraints. In critical missions, such as wildfires, robotic agents must not only identify hazardous events with sufficient confidence, but also manage the energy cost and time until detection. This paper introduces ED3R, an energy-aware distributed framework for wildfire detection under uncertainty. ED3R enables hierarchical cooperative decision-making between a robot and a remote controller. The remote controller decides upon the robot's motion, while the robot senses the environment and decides where to execute the wildfire detection (onboard or remotely) and how. The common goal is to detect wildfires with a required confidence while minimizing the energy consumed by any robot operation. ED3R further integrates mechanisms to avoid nearby obstacles, prevent redundant exploration, enable adaptive early mission completion, and ensure feasibility through a custom penalty function. ED3R also introduces a forward-looking capability, enabled through distributed neural regression models that allow the agents to anticipate the future by evaluating candidate strategies before execution. The framework is evaluated through realistic robotics simulations, ablation studies, and baseline comparisons. Overall, ED3R achieves a mission success rate of up to 97.18%. Especially in the most demanding missions, it reduces energy consumption by up to 36.4% and detects wildfires up to 41% faster than baselines.
- Abstract（参考訳）: ロボティクスは環境モニタリングと自然災害管理をサポートし、不確実性、資源制限、厳格な運用上の制約の下で意思決定をしなければならない。
森林火災のような重要なミッションでは、ロボットエージェントは十分な信頼性を持って有害事象を識別するだけでなく、検出するまでのエネルギーコストと時間を管理する必要がある。
本稿では,不確実性を考慮した山火事検出のためのエネルギー対応分散フレームワークED3Rを紹介する。
ED3Rは、ロボットとリモコンとの間の階層的な協調的意思決定を可能にする。
リモコンはロボットの動きを判断し、ロボットは環境を感知し、山火事検出の場所(オンボードまたはリモート)と方法を決定する。
一般的な目標は、ロボットの操作によって消費されるエネルギーを最小限に抑えながら、必要な信頼性で山火事を検出することである。
ED3Rはさらに、近くの障害物を回避し、冗長な探索を防止し、適応的な早期ミッション完了を可能にし、カスタムペナルティ機能による実現性を確保するメカニズムを統合する。
ED3Rはまた、エージェントが実行前に候補戦略を評価することによって未来を予測することができる分散ニューラルレグレッションモデルを通じて、前方に見える機能も導入している。
このフレームワークは、現実的なロボットシミュレーション、アブレーション研究、ベースライン比較を通じて評価される。
ED3Rのミッション成功率は97.18%に達する。
特に最も要求の多いミッションでは、エネルギー消費を最大36.4%削減し、ベースラインよりも最大41%の速さで山火事を検出する。
関連論文リスト
- Market-Based Replanning for Safety-Critical UAV Swarms in Search and Rescue Missions [0.0]
SAR(Search and Rescue)ミッションにおける信頼性の高い自律型UAV群は、エージェントの劣化にもかかわらず、動作を持続できるフォールトトレラント調整を必要とする。
本稿では,資源制約環境向けに設計された分散協調アーキテクチャであるIntelligent Replanning Drone Swarm (IRDS)を紹介する。
論文 参考訳（メタデータ） (2026-06-01T09:33:15Z) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T21:17:53Z) - Digital Twin and Agentic AI for Wild Fire Disaster Management: Intelligent Virtual Situation Room [1.4323566945483497]
森林火災の頻度と強度は、2030年までに約14%増加し、2050年までに30%増加すると予測されている。
従来の災害管理フレームワークは静的シミュレーションと受動的データ取得に依存している。
本稿では、自律型AIエージェントによって強化された双方向デジタルツイン(DT)プラットフォームである、Intelligent Virtual situation Room (IVSR)を紹介する。
論文 参考訳（メタデータ） (2026-02-09T17:44:52Z) - Runtime Anomaly Detection for Drones: An Integrated Rule-Mining and Unsupervised-Learning Approach [6.924083445159127]
UAVは複数のセンサー入力に依存しており、物理的不安定性と深刻な安全上の懸念を引き起こす可能性がある。
LSTMニューラルネットワークに基づく最近の異常検出手法は有望な結果を示しているが、3つの課題が続いている。
これらの課題に触発された本研究では、ドローンの異常検出に対する統合的なアプローチであるRADDを紹介する。
論文 参考訳（メタデータ） (2025-05-03T23:48:50Z) - REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。
ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
論文 参考訳（メタデータ） (2025-03-28T03:51:40Z) - DREAM: Decentralized Reinforcement Learning for Exploration and
Efficient Energy Management in Multi-Robot Systems [14.266876062352424]
資源制約されたロボットは、しばしばエネルギー不足、不適切なタスク割り当てによる計算能力の不足、動的環境における堅牢性の欠如に悩まされる。
本稿では,マルチロボットシステムにおける探索と効率的なエネルギー管理のための分散強化学習DREAMを紹介する。
論文 参考訳（メタデータ） (2023-09-29T17:43:41Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。
現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。
本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
論文 参考訳（メタデータ） (2023-06-09T18:45:15Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Domain and Modality Gaps for LiDAR-based Person Detection on Mobile
Robots [91.01747068273666]
本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。
実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。
その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
論文 参考訳（メタデータ） (2021-06-21T16:35:49Z) - 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。