Fugu-MT 論文翻訳(概要): Explainable Reinforcement Learning for assisting Air Traffic Controllers

論文の概要: Explainable Reinforcement Learning for assisting Air Traffic Controllers

arxiv url: http://arxiv.org/abs/2607.22525v1
Date: Fri, 24 Jul 2026 17:56:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:57.199069
Title: Explainable Reinforcement Learning for assisting Air Traffic Controllers
Title（参考訳）: 航空管制官支援のための説明可能な強化学習
Abstract要約: 信頼はAIシステムの説明可能性と密接に関連している。本研究では,Reinforcement Learning (RL)アルゴリズムへの説明可能性手法の適用について検討する。簡易的なATC環境を初期テストベッドとして使用し、知的エージェントに強化学習アルゴリズムを訓練し、代替飛行経路の決定を行う。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To effectively integrate AI into high-stakes, critical environments such as healthcare, autonomous driving, and aviation--and to advance toward higher levels of automation and seamless human-AI collaboration--building trust in AI-driven solutions is essential. Trust, in turn, is closely linked to the explainability of AI systems. The rapid advancements in AI across various domains have underscored the challenges of establishing trust, raising increasing interest in AI explainability even more when applied to deep learning. In this context, the present work aims to explore the application of explainability techniques to Reinforcement Learning (RL) algorithms, specifically within the safety-critical domain of Air Traffic Control (ATC). Using a simplified ATC environment as an initial testbed, an intelligent agent is trained with a reinforcement learning algorithm to make decisions on alternative flight routes that avoid no-fly zones. As a preliminary explainability approach, a saliency map is employed, providing insights into the input features that most significantly influence the agent's decision-making process.
Abstract（参考訳）: AIを、医療、自動運転、航空などの重要な環境に効果的に統合するためには、より高度な自動化とシームレスな人間とAIのコラボレーションへと進むことが不可欠である。信頼は、AIシステムの説明可能性と密接に関連している。さまざまな領域にわたるAIの急速な進歩は、信頼を確立するという課題を浮き彫りにし、ディープラーニングに適用した場合、AI説明可能性への関心がさらに高まっている。本研究は, 航空交通制御(ATC)の安全クリティカル領域において, 強化学習(RL)アルゴリズムへの説明可能性手法の適用について検討することを目的としている。簡易的なATC環境を初期テストベッドとして使用し、インテリジェントエージェントが強化学習アルゴリズムを用いて訓練され、飛行禁止区域を避ける代替飛行経路の決定を行う。予備的な説明可能性のアプローチとして、サリエンシマップが採用され、エージェントの意思決定プロセスに最も大きな影響を及ぼす入力特徴に関する洞察を提供する。

関連論文リスト

Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
論文参考訳（メタデータ） (2026-03-02T11:26:56Z)
AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios [64.51320327698231]
UAVシナリオにおける最初の大規模RMOTベンチマークであるAerialMindを紹介する。我々は、革新的な半自動協調型エージェントベースラベリングアシスタントフレームワークを開発した。また,視覚言語表現学習を協調的に強化する新しい手法であるHawkEyeTrackを提案する。
論文参考訳（メタデータ） (2025-11-26T04:44:27Z)
Integrating Neurosymbolic AI in Advanced Air Mobility: A Comprehensive Survey [19.989015008002056]
ニューロシンボリックAIは、ニューラルネットワーク適応性とシンボリック推論を組み合わせる。この調査は、主要なAdvanced Air Mobilityドメインにわたるアプリケーションについてレビューする。我々は、現在の進歩を分類し、関連するケーススタディを提示し、今後の研究方向性を概説する。
論文参考訳（メタデータ） (2025-08-10T03:30:06Z)
Design and Validation of Learning Aware HMI For Learning-Enabled Increasingly Autonomous Systems [2.913852496198787]
本研究は,システム工学プロセスに人間と機械の協調を組み込むことの重要性を強調する。提案するLEIASアーキテクチャは,運用安全性を高めるために,コミュニケーション表現とパイロット選好学習に重点を置いている。
論文参考訳（メタデータ） (2025-01-30T17:15:39Z)
Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
Testing autonomous vehicles and AI: perspectives and challenges from cybersecurity, transparency, robustness and fairness [53.91018508439669]
この研究は、人工知能を自律走行車(AV)に統合する複雑さを探求する AIコンポーネントがもたらした課題と、テスト手順への影響を調べます。本稿は、重要な課題を特定し、AV技術におけるAIの研究・開発に向けた今後の方向性を提案する。
論文参考訳（メタデータ） (2024-02-21T08:29:42Z)
Deep Reinforcement Learning for Autonomous Vehicle Intersection Navigation [0.24578723416255746]
強化学習アルゴリズムは、これらの課題に対処するための有望なアプローチとして登場した。そこで本研究では,低コスト単一エージェントアプローチを用いて,T断面積を効率よく安全にナビゲートする問題に対処する。提案手法により,AVはT断面積を効果的にナビゲートし,走行遅延,衝突最小化,総コストの面で従来の手法より優れていることがわかった。
論文参考訳（メタデータ） (2023-09-30T10:54:02Z)
Improving Autonomous Separation Assurance through Distributed Reinforcement Learning with Attention Networks [0.0]
本稿では,AAM廊下内で自律的な自己分離機能を実現するための強化学習フレームワークを提案する。この問題はマルコフ決定プロセス(Markov Decision Process)として定式化され、サンプル効率の良いオフポリティ・ソフトアクター・クリティック(SAC)アルゴリズムへの新たな拡張を開発することで解決される。包括的数値計算により,提案手法は高密度・動的環境下で航空機の安全かつ効率的な分離を保証できることが示唆された。
論文参考訳（メタデータ） (2023-08-09T13:44:35Z)
Towards Safe, Explainable, and Regulated Autonomous Driving [11.043966021881426]
本稿では、自律制御、説明可能なAI(XAI)、規制コンプライアンスを統合するフレームワークを提案する。フレームワークの目標を達成するのに役立つ、関連するXAIアプローチについて説明します。
論文参考訳（メタデータ） (2021-11-20T05:06:22Z)
Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文参考訳（メタデータ） (2021-05-28T08:45:37Z)
Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。感度分析の結果を用いて, 「操縦への学習」タスクの総合的性能を向上させるアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-26T02:08:07Z)

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。