論文の概要: Situation Aware Frontier Prioritization for Quadruped Search and Rescue
- arxiv url: http://arxiv.org/abs/2608.02571v1
- Date: Mon, 03 Aug 2026 17:48:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.744833
- Title: Situation Aware Frontier Prioritization for Quadruped Search and Rescue
- Title（参考訳）: 四輪探索・救助におけるフロンティア優先化の状況
- Abstract要約: 本稿では,単一ロボットによる四足歩行救助におけるフロンティア優先順位付け手法を提案する。
提案手法は、フロンティア探査の枠組みを保ちながら、情報収集、観測障害、救助関連性、地形のペナルティ、旅行コストによるフロンティアランキングを延長する。
実験の結果、すべてのメソッドが単純なシナリオで確実に動作するのに対し、複雑なシナリオでは異なることが判明した。
- 参考スコア（独自算出の注目度）: 0.7197563934833656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quadruped robots are a promising platform for search and rescue missions because they can navigate cluttered indoor environments that may be restrictive for wheeled systems. However, in unknown rescue scenarios, autonomous exploration must balance map expansion with the likelihood of finding victims, which is not explicitly addressed by clas- sical frontier selection strategies. This paper presents a situation aware frontier prioritization method for single robot quadruped search and rescue. The proposed approach preserves the frontier exploration framework, but extends frontier ranking with information gain, observation deficit, rescue relevance, terrain penalty, and travel cost. The method is eval- uated in Gazebo simulation with a quadruped robot in two indoor rescue scenarios with different levels of difficulty. The first scenario is used as a sanity check, while the second introduces stronger clutter and frontier ambiguity. Experimental results show that all methods perform reliably in a simple scenario, whereas in a complex scenario is different. In that setting, the proposed method achieves the highest completion rate and the highest victim recovery among the evaluated approaches. These results indicate that situation aware frontier prioritization is beneficial when frontier choice becomes nontrivial and rescue utility must be balanced against generic exploration objectives.
- Abstract（参考訳）: 四足歩行ロボットは、車輪付きシステムに制限のある、散らばった屋内環境をナビゲートできるので、探索と救助のための有望なプラットフォームだ。
しかし、未知の救助シナリオでは、自律探査は地図の拡大と犠牲者を見つける可能性のバランスをとる必要がある。
本稿では,単一ロボットによる四足歩行救助におけるフロンティア優先順位付け手法を提案する。
提案手法は、フロンティア探査の枠組みを保ちながら、情報収集、観測障害、救助関連性、地形のペナルティ、旅行コストによるフロンティアランキングを延長する。
本手法はガゼボシミュレーションにおいて, 難易度が異なる2つの屋内救難シナリオにおいて, 四足歩行ロボットを用いてeval- Useedを行う。
第1のシナリオは正当性チェックとして使用され、第2のシナリオはより強い散らかさとフロンティアの曖昧さを導入する。
実験の結果、すべてのメソッドが単純なシナリオで確実に動作するのに対し、複雑なシナリオでは異なることが判明した。
そこで,提案手法は,評価手法の中で,最も高い完成率と最も高い犠牲者回復率を達成する。
これらの結果から,フロンティア選択が非自明になれば,フロンティア優先の状況認識が有益であることが示唆された。
関連論文リスト
- On the Benefits of Free Exploration for Regret Minimization in Multi-Armed Bandits [54.384522012368556]
我々は,後悔が蓄積する前に,エージェントに自由な探査予算が与えられる,多武装の盗賊問題について検討する。
我々は、この後悔の最小化を自由探索問題で定式化し、自由探査予算が時間軸と対数的にスケールする興味深い体制を特定する。
本稿では,二相保存アルゴリズムUFE-KLUCB-Hを提案する。
論文 参考訳（メタデータ） (2026-05-25T12:36:43Z) - Proprioceptive Safe Active Navigation and Exploration for Planetary Environments [2.2120851074630177]
Proprioceptive Safe Active Navigation and Exploration (PSANE)は、未知の変形可能な環境における安全なナビゲーションと探索のためのフレームワークである。
PSANEはガウスプロセスレグレッションを通じてトラバーサビリティモデルを学び、安全な領域を推定し、認定する。
リアルタイムナビゲーションのためのリアクティブコントローラとこれらの見積を統合する。
論文 参考訳（メタデータ） (2026-03-09T20:17:50Z) - Multi-Agent Off-World Exploration for Sparse Evidence Discovery via Gaussian Belief Mapping and Dual-Domain Coverage [15.524614683513834]
本稿では,ガウス的信念マッピングと二重領域カバレッジに基づくスパースエビデンス発見のためのマルチエージェント情報経路計画フレームワークを提案する。
シミュレーションした月面環境における実験結果から,提案手法は,異なる予算と通信範囲でサンプリングベースおよびグリーディベースラインを一貫して上回ることがわかった。
論文 参考訳（メタデータ） (2026-03-08T14:27:41Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - Information Gain Is Not All You Need [3.053906384469777]
本稿では,情報ゲインが品質制約探索における最適化目標として機能すべきでないことを論じる。
本稿では,ロボットの近距離と他のフロンティアからの遠距離とのトレードオフに基づいてフロンティアを選択する,新しい距離優位性を提案する。
論文 参考訳（メタデータ） (2025-03-28T15:03:52Z) - FrontierNet: Learning Visual Cues to Explore [54.8265603996238]
この研究は、3Dマップからゴールポーズを抽出する制限に対処するため、効率的な自律探索に2Dビジュアルキューを活用することを目的としている。
本稿では、FrontierNetをコアコンポーネントとする、視覚のみのフロンティアベースの探索システムを提案する。
提案手法は,既存の3次元目標抽出手法に代わるもので,早期探索効率の15%向上を実現している。
論文 参考訳（メタデータ） (2025-01-08T16:25:32Z) - Exploring the Edges of Latent State Clusters for Goal-Conditioned Reinforcement Learning [6.266160051617362]
クラスタエッジ探索(CE2$)は,エージェントがアクセス可能な目標状態に優先順位を与える,新たな目標指向探索アルゴリズムである。
挑戦的なロボティクス環境では、CE2$はベースライン法やアブレーションに比べて探索の効率が優れている。
論文 参考訳（メタデータ） (2024-11-03T01:21:43Z) - OTO Planner: An Efficient Only Travelling Once Exploration Planner for Complex and Unknown Environments [6.128246045267511]
オンリートラベル・ワン・プランナー」は複雑な環境下で繰り返し経路を減少させる効率的な探索プランナーである。
高速フロンティア更新、視点評価、視点改善が含まれる。
探査時間と移動距離を10%から20%削減し、フロンティア検出の速度を6～9倍向上させる。
論文 参考訳（メタデータ） (2024-06-11T14:23:48Z) - Safeguarded Progress in Reinforcement Learning: Safe Bayesian
Exploration for Control Policy Synthesis [63.532413807686524]
本稿では、強化学習(RL)におけるトレーニング中の安全維持の問題に対処する。
探索中の効率的な進捗と安全性のトレードオフを扱う新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-12-18T16:09:43Z) - Discovering and Exploiting Sparse Rewards in a Learned Behavior Space [0.46736439782713946]
スパース報酬設定における最適ポリシーの学習は、学習エージェントが行動の質に対するフィードバックをほとんど、あるいは全く持っていないため困難である。
STAXは, 与えられた報酬を効率的に最適化しつつ, 行動空間を学習し, 探索するために設計されたアルゴリズムである。
論文 参考訳（メタデータ） (2021-11-02T22:21:11Z) - Sparse Reward Exploration via Novelty Search and Emitters [55.41644538483948]
本稿では,SparsE Reward Exploration via Novelty and Emitters (SERENE)アルゴリズムを提案する。
SERENEは、探索空間の探索と報酬の搾取を2つの交互プロセスに分けている。
メタスケジューラは、2つのプロセス間の交互にグローバルな計算予算を割り当てる。
論文 参考訳（メタデータ） (2021-02-05T12:34:54Z) - Provably Safe PAC-MDP Exploration Using Analogies [87.41775218021044]
安全クリティカルドメインに強化学習を適用する上での課題は、探索と安全性のバランスをとる方法を理解することだ。
我々は,未知のダイナミックスを持つMDPにおいて,確実に安全な探索を行うアルゴリズムであるAnalogous Safe-State Exploration (ASE)を提案する。
提案手法は, PAC-MDP 感覚の準最適政策を安全に学習するために, 状態-作用対間の類似性を利用する。
論文 参考訳（メタデータ） (2020-07-07T15:50:50Z)
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。