論文の概要: Towards Reliable Aerial Ground Vehicle Collaboration: An Integrated Planning and Autonomy Framework for Field Deployment

• arxiv url: http://arxiv.org/abs/2607.07350v1
• Date: Tue, 07 Jul 2026 15:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.38357
• Title: Towards Reliable Aerial Ground Vehicle Collaboration: An Integrated Planning and Autonomy Framework for Field Deployment
• Title（参考訳）: 航空車両の信頼性向上に向けて:フィールド展開のための統合的計画と自律化の枠組み
• Abstract要約: 信頼性の高いフィールド配置のための統合型計画と自律化フレームワークを提案する。 本稿では,エネルギー制約付き協調的ルーティングタスクとしてこの問題を定式化し,Deep Reinforcement Learning (DRL)ベースのプランナーを用いて解決する。 計画と実行のギャップを埋めるために、標準化された2層YAMLベースのミッションAPIを導入します。 このフレームワークは、UAV制御のためのPX4/MAVSDKとUGVナビゲーションのためのROS 2/Nav2を使用して、完全な自律スタックによってサポートされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Limited flight endurance significantly restricts the operational range of unmanned aerial vehicles (UAVs) in long duration missions such as surveillance and inspection, where multiple spatially distributed Areas of Interest (AOIs) must be visited. These tasks require efficient routing determining the sequence of visits which directly impacts mission time, energy consumption, and overall feasibility. Pairing UAVs with unmanned ground vehicles (UGVs) for mobile recharging offers a promising solution, but introduces a tightly coupled cooperative routing problem involving UAV route planning, UGV road constrained movement, energy management, and rendezvous scheduling under uncertainty. In this work, we present an integrated planning and autonomy framework for reliable field deployment. We formulate the problem as an energy constrained cooperative routing task and solve it using a Deep Reinforcement Learning (DRL) based planner that jointly optimizes the UAV visitation sequence and rendezvous locations with the UGV, outperforming baseline heuristics in minimizing total mission time. To bridge the gap between planning and execution, we introduce a standardized two layer YAML based mission API that captures environment states and structures lightweight, synchronized action sequences. This framework is supported by a complete autonomy stack using PX4/MAVSDK for UAV control and ROS 2/Nav2 for UGV navigation. Furthermore, we propose a lightweight Rendezvous Aware Replanner (RARP) that operates online to handle environmental uncertainties, reducing energy margin violations from 83.33% to 20.00%. The full system is validated through outdoor field experiments, demonstrating robust cooperative navigation and adaptability in dynamic tasks, including a search and rescue scenario with vision language model (VLM) based hazard detection
• Abstract（参考訳）: 制限された飛行耐久力は、監視や検査のような長期のミッションにおいて無人航空機(UAV)の運用範囲を著しく制限する。 これらのタスクは、ミッション時間、エネルギー消費、全体的な実現可能性に直接影響を与える訪問の順序を決定する効率的なルーティングを必要とする。 無人地上車両(UGV)を移動体充電に使用することは有望な解決法であるが,UAV経路計画,UGV道路制約運動,エネルギー管理,ランデブースケジューリングを含む密結合型協調経路問題を導入している。 本研究では、信頼性の高いフィールド配置のための統合型計画と自律化フレームワークを提案する。 エネルギー制約付き協調的ルーティングタスクとしてこの問題を定式化し、UAV訪問シーケンスとランデブー位置をUGVと共同最適化するDeep Reinforcement Learning(DRL)ベースのプランナーを用いて解決し、総ミッションタイムを最小化するためのベースラインヒューリスティックスより優れる。 計画と実行のギャップを埋めるために、環境状態と軽量で同期化されたアクションシーケンスの構造をキャプチャする、標準化された2層YAMLベースのミッションAPIを導入します。 このフレームワークは、UAV制御のためのPX4/MAVSDKとUGVナビゲーションのためのROS 2/Nav2を使用して、完全な自律スタックによってサポートされている。 さらに,環境不確実性に対応するためにオンライン上で活動する軽量なRendezvous Aware Replanner(RARP)を提案し,エネルギーマージン違反を83.33%から20.00%に削減した。 全システムは野外実験を通じて検証され、視覚言語モデル(VLM)を用いた探索・救助シナリオを含む動的タスクにおける堅牢な協調ナビゲーションと適応性を示す。

関連論文リスト

• MOAR Planner: Multi-Objective and Adaptive Risk-Aware Path Planning for Infrastructure Inspection with a UAV [4.297070083645049]
  本稿では,ミッション中のリスクの複雑化に対処するMOARパスプランナを提案する。 安全、時間、エネルギーを同時に最適化しながら、リアルタイムな軌道適応を提供する。 提案されたフレームワークは、UAVがより自律的で確実に重要なミッションをナビゲートできるようにすることで貢献する。
  論文  参考訳（メタデータ） (2026-06-29T17:18:02Z)
• Energy-Aware Collaborative Exploration for a UAV-UGV Team [0.0]
  未知の環境で運用するUAV-UGVチームのためのエネルギー対応共同探査フレームワークを提案する。 我々は密度対応層状確率的ロードマップを用いて、疎結合の空地ロードマップを構築した。 本手法はシミュレーション,ベンチマーク比較,実世界の実験を通じて検証する。
  論文  参考訳（メタデータ） (2026-03-23T19:14:01Z)
• Trajectory Design for UAV-Based Low-Altitude Wireless Networks in Unknown Environments: A Digital Twin-Assisted TD3 Approach [62.11847362756054]
  低高度無線ネットワーク(LAWN)のキーイネーブラーとして無人航空機(UAV)が登場している 我々は、デジタルツイン(DT)支援トレーニングおよびデプロイメントフレームワークを提案する。 このフレームワークでは、UAVは統合されたセンシングと通信信号を送信し、地上ユーザーに通信サービスを提供し、同時にDTサーバにアップロードされたエコーを収集して、仮想環境(VE)を段階的に構築する。 これらのVEはモデルトレーニングを加速し、展開中のリアルタイムUAVセンシングデータを継続的に更新し、意思決定をサポートし、飛行安全性を向上する。
  論文  参考訳（メタデータ） (2025-10-28T10:05:53Z)
• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• 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)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)
• Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
  UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。 エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。 UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
  論文  参考訳（メタデータ） (2021-03-03T20:54:19Z)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)

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。