論文の概要: Robust Autonomous UAV Landing on Maritime Platforms via Multimodal Agentic AI and Active Wave Compensation
- arxiv url: http://arxiv.org/abs/2606.31613v1
- Date: Tue, 30 Jun 2026 13:03:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.229908
- Title: Robust Autonomous UAV Landing on Maritime Platforms via Multimodal Agentic AI and Active Wave Compensation
- Title（参考訳）: マルチモーダルエージェントAIとアクティブウェーブ補償による海上プラットフォームへのロバスト自律型UAV着陸
- Abstract要約: 本稿では,無人航空機 (UAV) と無人航空機 (USV) を同期させる離間多輪着地機構を提案する。
このアーキテクチャは、2つの独立したDeep Reinforcement Learning (DRL)エージェント(Soft Actor-Critic (SAC)エージェント、ランディングデッキに高周波波動補償を提供するSoft Actor-Critic (SAC)エージェント、UAVの最終アプローチのためのマルチモーダルRLエージェント)を利用する。
高忠実度海洋シミュレーションで評価されたこのシステムは、穏やかから荒々しい状態の15回の試験で100%の着陸成功率を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous aerial inspection of marine infrastructure is frequently compromised by stochastic sea states, introducing risks of high-kinetic impacts, post-landing toppling, and sensory occlusion. This paper proposes a decoupled, multi-vehicle landing framework synchronizing an Unmanned Surface Vehicle (USV) equipped with a 3-RPU stabilized platform with a robust Unmanned Aerial Vehicle (UAV). The architecture utilizes two independent Deep Reinforcement Learning (DRL) agents: a Soft Actor-Critic (SAC) agent providing high-frequency wave-motion compensation for the landing deck, and a multimodal RL agent for the UAVs final approach. Evaluated in high-fidelity maritime simulations, the system achieved a 100% landing success rate across 15 trials in wave states varying from calm to rough. Results show a mean stabilization efficacy of 87.8%, maintaining the landing surface within 1 degree of the horizontal plane for 96% of the mission duration in rough conditions, effectively contributing to safer landings.
- Abstract（参考訳）: 海洋インフラの自律的な航空検査は、しばしば確率的な海洋状態によって妥協され、高い運動的影響、着陸後トッピング、感覚的閉塞のリスクがもたらされる。
本稿では、3RPU安定化プラットフォームと頑健な無人航空機(UAV)を備えた非有人表面車両(USV)を同期する分離型多車着陸フレームワークを提案する。
このアーキテクチャは、2つの独立したDeep Reinforcement Learning (DRL)エージェント(Soft Actor-Critic (SAC)エージェント、ランディングデッキに高周波波動補償を提供するSoft Actor-Critic (SAC)エージェント、UAVの最終アプローチのためのマルチモーダルRLエージェント)を利用する。
高忠実度海洋シミュレーションで評価されたこのシステムは、穏やかから荒々しい状態の15回の試験で100%の着陸成功率を達成した。
その結果, 平均安定化効果は87.8%であり, 水平面の1度以内に着地面を約96%維持し, より安全な着陸に有効であることがわかった。
関連論文リスト
- Conflict Resolution under Degraded Surveillance in Air Corridors Using Multi-Agent Reinforcement Learning [0.0]
本研究では,分散コンフリクト解決のためのディープQネットワークに基づくマルチエージェント強化学習フレームワークを開発する。
このフレームワークは、劣化した監視条件下でのより安全なAAM競合解決戦略のシミュレーションに基づく評価を支援する。
論文 参考訳（メタデータ） (2026-07-13T20:11:44Z) - WaveLander: A Generalizable Hierarchical Control Framework for UAV Landing on Wave-Disturbed Platforms via Reinforcement Learning [8.852817079320781]
本稿では、低レベルの飛行安定化から垂直着陸決定を分離する強化学習(RL)による階層制御フレームワークであるWaveLanderを提案する。
RLは、コンパクトなプラットフォーム相対観測をスカラーの垂直速度基準にマッピングする一方、従来の低レベル飛行制御器は姿勢安定性と横方向追跡を維持できる。
シミュレーションの結果,WaveLanderはロバストな着地性能を達成し,目に見えない外乱条件に一般化することがわかった。
論文 参考訳（メタデータ） (2026-07-01T08:28:15Z) - HoLoArm: Deformable Arms for Collision-Tolerant Quadrotor Flight [46.42648821424623]
トンボの翼のノダス構造にインスパイアされた腕を持つ四重奏曲HoLoArmについて述べる。
結果は、HoLoArmが軸方向を含む任意の方向に受動的に変形し、衝撃の方向とレベルに応じて0.3～0.6秒以内で回復可能であることを示した。
ドローンは最大7.6m/sの速度で衝突に耐え、安定した飛行を維持しながら540gのペイロードを運ぶことができる。
論文 参考訳（メタデータ） (2026-05-25T12:37:18Z) - Heterogeneous Self-Play for Realistic Highway Traffic Simulation [42.67401323169807]
PHASE, Policy for Heterogeneous Agent Self-play on Expresswayは、コンテキスト対応のセルフプレイフレームワークである。
例えば、旅客車やトレーラートラックなどの異なる車両のプロフィールを単一のポリシーでサポートしている。
96.3%の成功率でADE/FDEを6.57/12.07mから2.44/5.25mに下げる。
論文 参考訳（メタデータ） (2026-03-31T19:39:29Z) - SafeLand: Safe Autonomous Landing in Unknown Environments with Bayesian Semantic Mapping [41.90149506430796]
安全な自律着陸(SAL)のための視覚ベースシステムであるSafeLandを紹介する。
提案手法は,ディープラーニングに基づくセマンティックセマンティックセグメンテーションによるオンラインセマンティックグラウンドマップを構築し,組み込みデプロイメントに最適化する。
本手法を高度100mまでの産業・都市・農村環境における200のシミュレーションと60のエンドツーエンドフィールドテストで広範囲に評価した。
論文 参考訳（メタデータ） (2026-03-18T07:11:54Z) - OnFly: Onboard Zero-Shot Aerial Vision-Language Navigation toward Safety and Efficiency [9.769964979769204]
ゼロショットAVLNのためのフルオンボードリアルタイムフレームワークOnFlyを提案する。
OnFlyは、低周波進行監視から高周波目標生成を分離する、共有パーセプション二重エージェントアーキテクチャを採用している。
シミュレーションでは、OnFlyは最強の最先端ベースラインと比較してタスク成功率を26.4%から67.8%に改善している。
論文 参考訳（メタデータ） (2026-03-11T11:48:22Z) - When World Models Dream Wrong: Physical-Conditioned Adversarial Attacks against World Models [54.08784776767683]
本稿では,物理条件を乱す最初のホワイトボックス世界モデルアタックであるPhysCond-WMA(PhysCond-WMA)を提案する。
PhysCond-WMAは知覚の忠実さを維持しながら意味、論理、決定レベルの歪みを引き起こす。
論文 参考訳（メタデータ） (2026-02-21T07:22:37Z) - Towards reliable subsea object recovery: a simulation study of an auv with a suction-actuated end effector [1.1984905847118061]
本稿では,ハダル小型車両(HSV)を用いた完全自律海底物体回収ミッションのシミュレーションに基づく研究について述べる。
ストーンフィッシュシミュレーターは、現実的な車両力学、流体力学の障害、センシング、およびハダルのような条件下での標的物体との相互作用をモデル化するために使用される。
HSVは海面から6000mまで自律的に降下し、構造的な海底被覆を行い、対象物を検出し、吸引による回復を行う。
論文 参考訳（メタデータ） (2026-01-03T07:55:23Z) - VLA-AN: An Efficient and Onboard Vision-Language-Action Framework for Aerial Navigation in Complex Environments [12.689250855332569]
VLA-ANは、複雑な環境での自律ドローンナビゲーションに特化したフレームワークである。
既存の大型航法モデルの4つの大きな制限に対処する。
シングルタスクの成功率は98.1%に達する。
論文 参考訳（メタデータ） (2025-12-17T10:02:55Z) - Task Assignment and Exploration Optimization for Low Altitude UAV Rescue via Generative AI Enhanced Multi-agent Reinforcement Learning [44.02103029265148]
本稿では,UAV,GER,飛行船の連携フレームワークを提案する。
このフレームワークは、UAV-to-GER(U2G)とUAV-to-Airship(U2A)のリンクを通じてリソースプーリングを可能にし、オフロードされたタスクのコンピューティングサービスを提供する。
論文 参考訳（メタデータ） (2025-04-18T08:44:06Z) - TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - Low-altitude UAV Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.23178920029957]
本稿では,低高度無人航空機(UAV)による衛星海上通信システムを提案する。
安全衛星・海上通信多目的最適化問題(SSMCMOP)を定式化する。
動的かつ長期の最適化問題を解くため、マルコフ決定過程に再構成する。
次に,トランスサック (TransSAC) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-26T10:13:51Z) - Lander.AI: Adaptive Landing Behavior Agent for Expertise in 3D Dynamic
Platform Landings [2.5022287664959446]
本研究では,風環境下でのプラットフォーム上での移動と着陸を目的とした,高度な深層強化学習(DRL)エージェントであるLander:AIを紹介する。
Lander:AIは、風の乱流を含む現実世界の複雑さを反映するジム・ピブルレット・ドーンシミュレーションで厳格に訓練されています。
実験の結果、ランダー:AIの高精度着陸と移動プラットフォームへの適応能力は、風による乱れでも示されました。
論文 参考訳（メタデータ） (2024-03-11T10:20:44Z)
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。