論文の概要: Arm2Air: Cross-Embodiment Skeleton Transfer for 3D Relay Formation

• arxiv url: http://arxiv.org/abs/2607.27627v1
• Date: Thu, 30 Jul 2026 03:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.382722
• Title: Arm2Air: Cross-Embodiment Skeleton Transfer for 3D Relay Formation
• Title（参考訳）: Arm2Air:3次元リレー形成のためのクロス・エボディメント・スケルトン転送
• Abstract要約: Arm2Airは、障害物回避スケルトンをロボットアームからUAVリレーに移動させる。 トレーニング済みのニューラルMPモデルからのソースドメインロボットアームの動きは、トランスフォーマーベースのトランスファープラットフォームを事前トレーニングする順序付きスケルトンに変換される。
• 参考スコア（独自算出の注目度）: 3.9222528566825274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned aerial vehicle (UAV) relay networks can restore connectivity after communication infrastructure is damaged. Urban relay placement is difficult because line-of-sight blockage, communication range, altitude, and three-dimensional obstacles must be considered jointly. Arm2Air transfers obstacle-avoidance skeletons from robot arms to UAV relay placement through cross-embodiment transfer. Source-domain robot-arm motions from a pretrained Neural MP model are converted into ordered skeletons that pretrain a transformer-based transfer platform, which is then adapted to the UAV domain using limited target data and Low-Rank Adaptation. The transferred skeleton initializes a relay chain that is refined for connectivity, bottleneck capacity, delay, and movement cost. On nine held-out high-clutter 3D urban maps, Arm2Air reduced median end-to-end planning runtime by 64.9 percent relative to the fastest conventional planner. On the high-obstruction group of a separate 30-map dense urban holdout, it increased bottleneck capacity by 32.6 percent, reduced capacity variance by 74.7 percent, reduced maximum hop distance by 13.2 percent, reduced hop-distance variance by 75.2 percent, and reduced relay displacement by 16.9 percent relative to IMPC-MD. With only three target-domain training maps, Arm2Air reduced relay-position root mean square error by 53.6 percent relative to training from scratch while updating 0.134 million parameters, compared with 1.383 million for Scratch and Full Fine-tuning. These results demonstrate computationally and data-efficient UAV relay placement and suggest a broader principle for transferring ordered structural priors across heterogeneous embodied tasks.
• Abstract（参考訳）: 無人航空機(UAV)の中継ネットワークは、通信インフラが損傷した後に接続を回復することができる。 路面遮蔽,通信範囲,高度,三次元障害物を共同で検討する必要があるため,都市リレー配置は困難である。 Arm2Airは、障害物回避スケルトンをロボットアームからUAVリレーに移動させる。 事前訓練されたニューラルMPモデルからのソースドメインロボットアームの動きは、トランスフォーマーベースの転送プラットフォームを事前訓練する順序付きスケルトンに変換され、限られたターゲットデータと低ランク適応を使用してUAVドメインに適応する。 転写された骨格は、接続性、ボトルネック容量、遅延、移動コストのために改良されたリレーチェーンを初期化する。 ホールドアウトされた9つの高空間の3D都市マップでは、Arm2Airは最も高速なプランナーに比べて、中間のプランニングランタイムを64.9%削減した。 別個の30マップ密度都市ホールドアウトの高障害物群では、ボトルネック容量を32.6%増加させ、容量分散を74.7%減少させ、最大ホップ距離を13.2%減少させ、ホップ距離分散を75.2%減少させ、リレー変位を16.9%減少させた。 目標領域のトレーニングマップがわずか3つしかなく、Arm2Airは、スクラッチとフルファインチューニングで133百万のパラメータを更新しながら、リレー位置の平均平方誤差をスクラッチから53.6%削減した。 これらの結果は、計算的かつデータ効率のよいUAVリレー配置を示し、不均一な実施タスク間で順序付き構造的事前を転送するためのより広範な原理を示唆している。

関連論文リスト

• Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
  第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。 本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
  論文  参考訳（メタデータ） (2026-09-09T01:36:44Z)
• Chameleon: An Adaptive AI-Driven Honeypot Architecture Using Threat-Calibrated Particle Swarm Optimization and Semantic Deception Rapidly-Exploring Random Trees [0.0]
  低コストの商用偽装製品は、応答エンジンがリアルタイムモデル駆動のフィードバックに結びついていないという、関連する弱点を共有している。 メカニズムは、両方の欠点に対処するために、オープンに分散されたアダプティブなハニーポットプラットフォームである。
  論文  参考訳（メタデータ） (2026-08-15T20:30:14Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• A Communication-Centric 6G-LLM Architecture for Scalable Tactical Autonomous Defense Vehicle Networks [5.425161484130288]
  本稿では,TADVN(Tactical Self Defense Vehicle Networks)のための通信中心型階層アーキテクチャを提案する。 このフレームワークは、調整効率の向上、通信オーバヘッドの低減、およびフリートスケールの運用の増加によるレイテンシの回復性の向上を目的としている。 競合するネットワーク条件下での5～30台の車両におけるモンテカルロシミュレーションによる通信・協調性能の評価を行った。
  論文  参考訳（メタデータ） (2026-05-31T16:00:14Z)
• Hierarchical LLM-Driven Control for HAPS-Assisted UAV Networks: Joint Optimization of Flight and Connectivity [33.68706070829591]
  INTN(Integrated terrestrial and non-terrestrial network)で動作するマルチUAVシステムについて検討する。 衝突回避,効率的な交通流,そして動的かつ部分的に観測可能な条件下での信頼性の高い通信を確保するために,UAVが自身の動きに適応しなければならない3次元空路シナリオを考察する。 我々は,大規模言語モデル(LLM)による階層型マルチレート制御フレームワークを提案する。世界レベルでは,HAPS上のLLMベースのコントローラが,ロードバランシングとハンドオーバ決定のための長期計画を実行する。 ローカルレベルでは、各UAVは遅い時間スケールを統合するハイブリッドコントローラを使用する。
  論文  参考訳（メタデータ） (2026-05-12T04:27:14Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• Emergency Preemption Without Online Exploration: A Decision Transformer Approach [1.2099551931618155]
  本稿では,Decision Transformer (DT) に基づく緊急回廊最適化のための戻り条件付きフレームワークを提案する。 LightSimシミュレータでは、DTは4x4グリッド上の固定タイミングプリエンプションと比較して平均EV走行時間を37.7%削減する。 MADTはより大きなグリッドをさらに改善し、グラフアテンション調整によって8x8で45.2%の削減を実現した。
  論文  参考訳（メタデータ） (2026-03-20T03:32:35Z)
• Multi-Agent Coordination in Autonomous Vehicle Routing: A Simulation-Based Study of Communication, Memory, and Routing Loops [0.5801044612920815]
  OMM(Object Memory Management)は,エージェントが障害に関する知識を保持し,共有するための軽量なメカニズムである。 OMM はブロックノードの分散ブラックリストを維持することで動作し、各エージェントは Dijkstra ベースのパス再計算を行う。 以上の結果から,OMMによる調整は,メモリレスシステムと比較して平均走行時間を75.7%削減し,待ち時間を88%短縮することがわかった。
  論文  参考訳（メタデータ） (2025-11-20T17:42:49Z)
• Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
  Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。 また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。 今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
  論文  参考訳（メタデータ） (2025-10-30T01:25:34Z)
• Integrating LEO Satellites and Multi-UAV Reinforcement Learning for Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
  低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。 我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
  論文  参考訳（メタデータ） (2020-10-20T09:07:10Z)
• Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
  低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。 軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。 エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。 本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2020-05-26T05:39:27Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。