論文の概要: Physics-Guided Robotic Radiation Source Localization along Arbitrary Measurement Paths in Unstructured Environments
- arxiv url: http://arxiv.org/abs/2606.27624v1
- Date: Fri, 26 Jun 2026 00:40:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.331272
- Title: Physics-Guided Robotic Radiation Source Localization along Arbitrary Measurement Paths in Unstructured Environments
- Title（参考訳）: 物理誘導型ロボット放射源を用いた非構造環境における任意計測経路の定位
- Authors: Hojoon Son, Kai Tan, Fan Zhang,
- Abstract要約: 既存の手法では、ロボットの経路を計画して正確な推定を行い、典型的にはソースに接近する。
放射線源ローカライゼーション(RSL)専用に設計された経路計画アルゴリズムは、放射能環境にロボットを配置するミッションの柔軟性を制限する。
本研究では,物理インフォームド・機械学習(PIML)モデルを用いて,音源の位置を正確に推定するロボットRSLの自動化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.679455475692267
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Using robots to estimate the location of the radiation source is an effective way to improve efficiency and safety. Existing methods focus on planning the robot's path to achieve precise estimation, typically approaching the source. However, approaching the source increases the risk of radiation damage to a robot. In addition, a path-planning algorithm designed solely for radiation source localization (RSL) limits the flexibility of missions that deploy robots into radioactive environments. This study presents an automation framework for robotic RSL that leverages a physics-informed machine learning (PIML) model to precisely estimate the source location, regardless of measurement paths, in unknown environments. Physics-inspired model tensors have been designed for PIML to handle attenuated gamma-ray flux signals from unknown obstacles, and multiple models are computed in parallel to improve the robustness and precision of the RSL. The proposed method is evaluated in high-fidelity simulation environments using Monte Carlo particle transport across diverse randomized domains, including spatial scales, radiation source types, obstacle materials and geometries, and robot trajectories. The method is also validated through physical experiments on configurations that are not included in the simulation-based evaluation. The continuous learning technique is applied in real-robot deployment to enhance the practical applicability of the online robotic RSL system. The proposed method advances robot radiation perception from pointwise flux detection to spatial intelligence.
- Abstract（参考訳）: ロボットを用いて放射線源の位置を推定することは、効率と安全性を向上させる効果的な方法である。
既存の手法では、ロボットの経路を計画して正確な推定を行い、典型的にはソースに接近する。
しかし, 発生源に近づくと, ロボットへの放射線損傷のリスクが増大する。
さらに、放射線源位置決め(RSL)専用に設計された経路計画アルゴリズムは、放射能環境にロボットを配置するミッションの柔軟性を制限する。
本研究では,物理インフォームド・機械学習(PIML)モデルを用いて,未知の環境下での計測経路に関係なく,音源位置を正確に推定するロボットRSLの自動化フレームワークを提案する。
物理インスパイアされたモデルテンソルは、未知の障害物からの減衰ガンマ線束信号を処理するためにPIMLのために設計されており、複数のモデルが並列に計算され、RSLの堅牢性と精度が向上する。
提案手法は, 空間スケール, 放射線源タイプ, 障害物物質, ジオメトリー, ロボット軌道など, 多様なランダム化領域をまたいだモンテカルロ粒子輸送を用いた高忠実度シミュレーション環境において評価された。
また、シミュレーションに基づく評価には含まれない構成に関する物理実験を通じて検証する。
オンラインロボットRSLシステムの実用性を高めるために,実ロボット展開に継続的学習技術を適用した。
提案手法は,点方向のフラックス検出から空間知へのロボット放射知覚を推し進める。
関連論文リスト
- 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) - RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。
RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。
従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-11T10:14:37Z) - AIMS: An Adaptive Integration of Multi-Sensor Measurements for Quadrupedal Robot Localization [13.338971590090898]
AIMSは、退化環境における頑健な四足歩行ロボットの局所化のための適応型LiDAR-IMU-leg odometry fusion法である。
狭い廊下環境において得られた結果から,提案手法は最先端手法と比較して,局所化精度とロバスト性を向上させることが示された。
論文 参考訳（メタデータ） (2026-01-04T15:21:52Z) - Offline Robotic World Model: Learning Robotic Policies without a Physics Simulator [50.191655141020505]
強化学習(Reinforcement Learning, RL)は、ロボット制御において目覚ましい能力を示してきたが、高いサンプルの複雑さ、安全性の懸念、そしてシム・トゥ・リアルのギャップのため、依然として困難である。
物理シミュレータに頼らずに政策学習を改善するために不確実性を明示的に推定するモデルベースアプローチであるオフラインロボット世界モデル(RWM-O)を導入する。
論文 参考訳（メタデータ） (2025-04-23T12:58:15Z) - A real-time anomaly detection method for robots based on a flexible and sparse latent space [2.0186752447895993]
ロボット工学におけるディープラーニングベースのモデルは、限られたトレーニングデータと非常にノイズの多い信号機能のために、課題に直面している。
本稿では,これらの問題に対処するため,スパースマスク型自己回帰型フローベース適応型オートエンコーダモデルを提案する。
我々のモデルは1ミリ秒以内の推論を行い、リアルタイムな異常検出を確実にする。
論文 参考訳（メタデータ） (2025-04-15T13:17:14Z) - Self-Supervised Learning-Based Path Planning and Obstacle Avoidance Using PPO and B-Splines in Unknown Environments [0.0]
Smart BSPは、自律ロボット工学におけるリアルタイムパス計画と障害物回避のための高度な自己教師型学習フレームワークである。
提案システムは,PPO(Proximal Policy Optimization)と畳み込みニューラルネットワーク(Convolutional Neural Networks, CNN)とActor-Criticアーキテクチャを統合する。
トレーニングプロセス中に、経路曲率、終端近接、障害物回避を考慮に入れたニュアンスコスト関数を最小化する。
論文 参考訳（メタデータ） (2024-12-03T05:20:29Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - 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) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。