論文の概要: AMBUSH: Collaborative Capture in Complex Environments with Neural Acceleration
- arxiv url: http://arxiv.org/abs/2607.01029v1
- Date: Wed, 01 Jul 2026 14:59:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.947183
- Title: AMBUSH: Collaborative Capture in Complex Environments with Neural Acceleration
- Title（参考訳）: AMBUSH: 神経加速を伴う複雑な環境における協調的捕獲
- Abstract要約: 動的標的の協調捕獲は、自然界において弱い種が強い種に対して重要な戦略として一般的である。
有名なアンブッシュの戦略だけでは、複数の遅い追撃者がより速いエバダを捕獲するのに十分である。
長期計画を通じて関連するパラメータを最適化するために,Hybrid Monte Carlo Tree Search (H-MCTS)アルゴリズムを提案する。
ニューラルネットワークアクセラレーションはオフラインでトレーニングされ、さまざまな環境におけるパラメータの選択のランク付けを学び、スコアを直接予測する。
- 参考スコア（独自算出の注目度）: 8.711548894933875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative capture of dynamic targets is common in nature as an essential strategy for weaker species against the strong. Similar concepts have shown to be useful for numerous robotic applications, such as security and surveillance, search and rescue. However, most existing works focus on analytical and geometric solutions or end-to-end reinforcement learning methods, which are largely constrained to obstacle-free environments or scenarios with sparse, regularly distributed obstacles. This work tackles the problem from a unique perspective: the renowned strategy of``ambush'' alone would suffice for multiple slower pursuers to capture one faster evader with different levels of intelligence efficiently in complex environments. A parameterized strategy of ambush (including discrete and continuous parameters) is designed first, which takes into account the topological properties of the workspace, the truncated line-of-sight visibility, the relative speed ratio and the limited capture range. Then, a Hybrid Monte Carlo Tree Search (H-MCTS) algorithm is proposed to optimize the associated parameters through long-term planning, enabling the identification of highly promising parameters for future capture. Lastly, the neural acceleration is trained offline to learn the ranking of different choices of parameters across various environments, and to directly predict scores, replacing the rollout process in H-MCTS. The neural acceleration is adopted during online H-MCTS to accelerate the planning procedure while guaranteeing the planning quality. Its efficiency and effectiveness are validated in extensive simulations and hardware experiments, against evaders with different capabilities and intelligence levels, including two-times higher velocity and human-controlled behavior.
- Abstract（参考訳）: 動的標的の協調捕獲は、自然界において弱い種が強い種に対して重要な戦略として一般的である。
同様の概念は、セキュリティや監視、捜索、救助など、多数のロボット応用に有用であることが示されている。
しかし、既存のほとんどの研究は分析的および幾何学的解やエンドツーエンドの強化学習法に焦点を合わせており、これは主に障害物のない環境や、スパースで定期的に分散された障害物を伴うシナリオに制約されている。
この研究は、ユニークな観点からこの問題に取り組む: 'ambush' 単独の有名な戦略は、複雑な環境で、異なるレベルのインテリジェンスを持つより高速な回避者を効果的に捕獲するのに、複数の遅い追従者にとって十分である。
まず,作業空間のトポロジ的特性,視線視認性,相対速度比,限られた捕獲範囲を考慮したアンブッシュのパラメータ化戦略(離散的および連続的パラメータを含む)を設計する。
そこで,Hybrid Monte Carlo Tree Search (H-MCTS)アルゴリズムを提案する。
最後に、ニューラルネットワークアクセラレーションはオフラインでトレーニングされ、さまざまな環境におけるパラメータの選択のランク付けを学び、スコアを直接予測し、H-MCTSのロールアウトプロセスを置き換える。
ニューラルアクセラレーションは、計画品質を確保しつつ、計画手順を加速するために、オンラインH-MCTS中に採用されている。
その効率性と有効性は、異なる能力と知能レベルを持つ回避者に対して、広範囲なシミュレーションやハードウェア実験で検証されている。
関連論文リスト
- SAGE: Stochastic Prompt Optimization via Agent-Guided Exploration [4.5848302154106815]
本稿では,プロンプト空間を探索するフレームワークであるSPO(Stochastic Prompt Optimization)を紹介する。
進化的演算子を用いた遺伝的アルゴリズムであるエラーインフォームドランダムサーチとSAGE(SPO via Agent-Guided Exploration)の比較を行った。
我々は,定量的検証と定性診断の結合がエージェント最適化をオープンなタスク指向対話に効果的にすると主張している。
論文 参考訳（メタデータ） (2026-06-17T10:25:25Z) - Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - Latent Space Reinforcement Learning for Multi-Robot Exploration [0.0]
未知環境の自動マッピングシステムを開発した。
必須空間情報を保存しつつ,高忠実度占有率マップを潜在状態ベクトルに圧縮する。
共有データへの依存を変調する重み付きコンセンサス機構を導入する。
論文 参考訳（メタデータ） (2026-01-03T10:06:40Z) - Hierarchical Task Offloading and Trajectory Optimization in Low-Altitude Intelligent Networks Via Auction and Diffusion-based MARL [37.79695337425523]
低高度インテリジェントネットワーク(LAIN)は、災害対応、環境モニタリング、リアルタイムセンシングといったミッションクリティカルなアプリケーションをサポートすることができる。
これらのシステムは、エネルギー制約のあるUAV、タスク到着、異種コンピューティングリソースなど、重要な課題に直面している。
本稿では,UAV軌道計画とタスクオフロード決定を協調的に最適化する,時間依存型整数型非線形計画問題の解法を提案する。
論文 参考訳（メタデータ） (2025-12-05T08:14:45Z) - HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
イベントカメラは例外的な時間分解能と範囲(モード)を提供する
RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
論文 参考訳（メタデータ） (2025-10-22T13:15:13Z) - A Novel Deep Hybrid Framework with Ensemble-Based Feature Optimization for Robust Real-Time Human Activity Recognition [0.6991281327290525]
HAR(Human Activity Recognition)は、スマート監視、ヘルスケア、アシスト技術、スポーツ分析など、さまざまなアプリケーションにおいて重要な役割を担っている。
カスタマイズされたInceptionV3、LSTMアーキテクチャ、新しいアンサンブルベースの特徴選択戦略を統合した、最適化されたハイブリッドディープラーニングフレームワークが導入された。
提案手法は、99.65%の認識精度を実現し、特徴を7まで減らし、推論時間を短縮する。
論文 参考訳（メタデータ） (2025-08-26T05:42:55Z) - Improved particle swarm optimization algorithm: multi-target trajectory optimization for swarm drones [20.531764063763678]
従来のParticle Swarm Optimization (PSO) 手法は、リアルタイムシナリオにおける早期収束と遅延に苦慮している。
PSOベースのオンライントラジェクトリプランナであるPE-PSOを提案する。
遺伝的アルゴリズム(GA)に基づくタスク割り当てと分散PE-PSOを組み合わせたマルチエージェントフレームワークを開発した。
論文 参考訳（メタデータ） (2025-07-18T04:31:49Z) - Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。
提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。
我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
論文 参考訳（メタデータ） (2025-01-16T16:45:08Z) - Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z) - SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
無線対応経路計画フレームワークであるSCoTTを提案する。
SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。
また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
論文 参考訳（メタデータ） (2024-11-27T10:45:49Z) - AI planning in the imagination: High-level planning on learned abstract
search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。
本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文 参考訳（メタデータ） (2023-08-16T22:47:16Z) - A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack
and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。
また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。
いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文 参考訳（メタデータ） (2020-10-15T16:07:26Z)
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。