論文の概要: Reinforcement Learning for Heterogeneous Sensor Selection in Maritime Surveillance
- arxiv url: http://arxiv.org/abs/2607.22667v1
- Date: Fri, 03 Jul 2026 14:26:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:39.015598
- Title: Reinforcement Learning for Heterogeneous Sensor Selection in Maritime Surveillance
- Title（参考訳）: 海上サーベイランスにおける不均一センサ選択のための強化学習
- Abstract要約: 本稿では,海中センサネットワークにおける単一容器追跡のための情報ゲイン誘導型強化学習フレームワークを提案する。
学習ポリシーは、各決定エポックで1つのトラッキング関連センサを選択する。
その結果,学習方針は常時オンセンシングに近いトラッキング性能を達成できることがわかった。
- 参考スコア（独自算出の注目度）: 0.3914676152740142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an information-gain-guided reinforcement-learning sensor-selection framework for single-vessel tracking in heterogeneous maritime sensor networks. The proposed approach is motivated by information-theoretic sensor management: instead of activating all sensors or repeatedly performing computationally expensive online expected-information-gain evaluation, a learned policy selects one tracking-relevant sensor at each decision epoch. A Bayesian sequential Monte Carlo tracker estimates the vessel state from noisy measurements and provides a belief representation for scheduling under nonlinear and non-Gaussian conditions. A Proximal Policy Optimization agent selects one of five sensors deployed in a georeferenced simulation of the CMMI Smart Marina testbed at Ayia Napa Marina, Cyprus. The agent observes belief-state, detection-history, coverage, sensor-geometry, and realized-information-gain features. The reward is defined as a realized-information-gain term gated by an observability mask. Final-test simulations compare the proposed framework with random single-sensor selection, always-on sensing using all sensors simultaneously, and the expected-information-gain sensor-selection baseline proposed in our previous work. Results show that the learned policy achieves tracking performance close to always-on sensing while activating only one sensor per decision time step and avoiding the computationally expensive online entropy search required by expected-information-gain selection.
- Abstract（参考訳）: 本論文では,異種海洋センサネットワークにおける単一容器追跡のための情報ゲイン誘導型強化学習型センサ選択フレームワークを提案する。
提案手法は,すべてのセンサを活性化させるか,あるいは計算コストのかかるオンライン情報ゲイン評価を繰り返し実行する代わりに,学習ポリシでは,各決定時期における1つのトラッキング関連センサを選択する。
ベイジアンシーケンシャルモンテカルロトラッカーは、ノイズ測定から容器の状態を推定し、非線形および非ガウス条件下でのスケジューリングのための信念表現を提供する。
The Proximal Policy Optimization agent selects one of five sensor deployed in a georeferenced Simulation of the CMMI Smart Marina testbed at Ayia Napa Marina, Cyprus。
エージェントは、信念状態、検出履歴、カバレッジ、センサー幾何学、および実現情報ゲインの特徴を観察する。
報酬は、可観測マスクによって表される実情報ゲイン用語として定義される。
ファイナルテストシミュレーションでは,提案したフレームワークとランダムな単一センサ選択,全センサの同時検出,およびこれまでの研究で提案した期待情報ゲインセンサ選択ベースラインを比較した。
その結果, 学習方針は, 予測情報ゲイン選択によって要求される計算コストの高いオンラインエントロピー探索を回避しつつ, 常時検出に近い追跡性能を達成できることが示唆された。
関連論文リスト
- Online Reliable Anomaly Detection via Neuromorphic Sensing and Communications [58.796149594878585]
本稿ではニューロモルフィック無線センサネットワークに基づく低消費電力オンライン異常検出フレームワークを提案する。
検討したシステムでは、中央受信ノードが各時間フレームでニューロモルフィックセンサノード(ニューロSN)のサブセットを積極的にクエリする。
ニューロモルフィックセンサーは事象駆動であり、モニターされたシステムの関連する変化に対応してスパイクを発生させる。
論文 参考訳（メタデータ） (2025-10-16T13:56:54Z) - Analysis and Optimization of Seismic Monitoring Networks with Bayesian Optimal Experiment Design [0.0]
ベイズ最適実験設計(OED)は、不確実性を最適に低減できるデータ、センサーの構成、実験を特定することを目指している。
情報理論は、最適化問題として実験やセンサ配置の選択を定式化し、OEDを導出する。
本研究では,ベイジアンOEDをセンサネットワークの地震イベント検出能力の最適化に用いるために必要なフレームワークを開発する。
論文 参考訳（メタデータ） (2024-09-27T04:45:27Z) - Sensor Selection via GFlowNets: A Deep Generative Modeling Framework to Navigate Combinatorial Complexity [3.255315368019651]
この作業は、一般的なQuality-of-Serviceメトリックを最適化するために、$m$のセットから$k$のセンサー要素を選択するという課題に対処する。
すべての$binommk$のセンサーサブセットを評価することは現実的ではなく、凸緩和、欲求アルゴリズム、教師付き学習アプローチを使った事前ソリューションにつながる。
論文 参考訳（メタデータ） (2024-07-29T06:56:57Z) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - To Compute or not to Compute? Adaptive Smart Sensing in
Resource-Constrained Edge Computing [1.7361161778148904]
我々は,時間変化信号のサンプリングと基地局への更新をリモートグローバル監視のために送信するエッジコンピューティングアプリケーションのための,スマートセンサのネットワークを考察する。
センサーはセンサーと計算機能を備えており、生のデータを送信したり、送信前にオンボードで処理することができる。
計算と通信遅延の両方を埋め込んだ推定理論最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-05T23:46:42Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳（メタデータ） (2021-07-22T07:25:35Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳（メタデータ） (2021-01-12T12:02:26Z) - Data-aided Sensing for Gaussian Process Regression in IoT Systems [48.523643863141466]
我々は,インターネット・オブ・シングス・システムにおいて,センサから収集したデータセットの学習にデータアシストセンシングを用いる。
データ支援センシングによるガウス過程回帰の精度向上に寄与し,予測によるマルチチャネルALOHAの修正が有効であることを示す。
論文 参考訳（メタデータ） (2020-11-23T20:59:51Z) - Data-Driven Distributed State Estimation and Behavior Modeling in Sensor
Networks [5.817715558396024]
センサネットワークにおける状態推定と行動学習の同時学習の問題を定式化する。
本稿では,ガウス過程に基づくベイズフィルタ(GP-BayesFilters)をオンライン分散環境に拡張することで,シンプルで効果的な解を提案する。
提案手法の有効性は,マルチロボットプラットフォームから収集した合成データとデータの両方を用いて,未知の動作行動を持つ物体の追跡に評価される。
論文 参考訳（メタデータ） (2020-09-22T21:31:18Z)
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。