論文の概要: Expected Free Energy-based Informative Path Planning for Robotic Mars Exploration

• arxiv url: http://arxiv.org/abs/2608.14466v1
• Date: Fri, 14 Aug 2026 16:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.445346
• Title: Expected Free Energy-based Informative Path Planning for Robotic Mars Exploration
• Title（参考訳）: 自由エネルギーによるロボット火星探査のためのインフォーマティブパス計画
• Abstract要約: 期待される自由エネルギーは、アクティブな推論から原則化された行動選択の目標である。 EFEをベースとしたプランニングでは,正確な後部マップが得られ,同時に最高値領域が特定される。 ロボット探査において、これらの統合された、簡単に訓練できる原則の情報収集戦略は、自律的な展開を促進する。
• 参考スコア（独自算出の注目度）: 0.5161531917413708
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: An autonomous robot efficiently exploring an unknown environment, such as looking for water sources on Mars, faces two simultaneous demands: building an accurate information map while quickly finding the regions of greatest value, and paying for every meter of travel and the cost of every measurement it takes. Classical information-seeking and reward-seeking criteria address only one of these objectives at a time. Here, we propose Expected Free Energy (EFE), the principled action-selection objective from active inference, as a unifying criterion for budgeted robotic informative path planning. Maintaining a Gaussian-process belief over the information field, our agent plans continuous trajectories that minimize expected free energy under hard path-length constraints. The results from multiple realizations show that EFE-based planning yields accurate posterior maps and locates the highest-value regions simultaneously, outperforming information-theoretic baselines under the same settings. In robotic exploration, these unified, easy-to-tune principled information-gathering strategies facilitate autonomous deployment while enforcing efficiency and resource constraints.
• Abstract（参考訳）: 火星の水源を探すなど、未知の環境を効率的に探索する自律ロボットは、正確な情報マップを構築しながら、最大値の領域を素早く見つけるという2つの同時要求に直面する。 古典的な情報検索と報酬検索基準は、これらの目標の1つに一度に対処する。 本稿では,ロボット情報伝達経路計画の統一的基準として,アクティブ推論からの行動選択の原則である期待自由エネルギー(EFE)を提案する。 情報分野に関するガウス過程の信念を維持するため、我々のエージェントはハードパス長制約の下で期待される自由エネルギーを最小限に抑える連続的な軌道を計画する。 複数の実測結果から,EFEをベースとしたプランニングでは,正確な後続地図が得られ,同時に最高値領域が特定され,同じ設定下での情報理論ベースラインよりも優れた結果が得られた。 ロボット探索において、これらの統合された、簡単に訓練できる原則の情報収集戦略は、効率とリソースの制約を強制しながら、自律的な展開を促進する。

関連論文リスト

• MPPI-based Informative Trajectory Planning for Search and Capture of Drifting Targets with ASVs [0.8602553195689513]
  本稿では,ハイブリッド・プランニング・フレームワークを用いた漂流目標の探索と捕捉の問題に対処する。 プランナーは、長い水平線上の連続軌道を最適化することにより、運動レベルコマンドを直接生成する。 実験の結果、私たちのプランナーは選択した計画ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2026-06-10T12:44:25Z)
• Scout-Assisted Planning for Heterogeneous Robot Teams under Partially Known Environments [6.8072479152471566]
  本稿では,情報ゲインに基づくアクション・プルーニングを提案する。 実験の結果、SAPとInformation Gain Action Pruningは、カナダ旅行問題のベースラインを上回り、地上ロボットの走行コストを31.9-37.7%削減した。 我々は,情報ゲイン誘導型スカウトは実世界の展開において,より効果的かつ計算的に実現可能であると結論付けている。
  論文  参考訳（メタデータ） (2026-05-21T16:36:55Z)
• ReSPIRe: Informative and Reusable Belief Tree Search for Robot Probabilistic Search and Tracking in Unknown Environments [25.261065989248877]
  本稿では,ターゲット探索・追跡(SAT)のための情報トラジェクトリ計画手法であるReSPIReを提案する。 我々はまず,非ガウス的信念分布下での相互情報報酬を高速かつ正確に推定する点に基づく新しい近似手法を開発した。 ReSPIReにおいて, 事前目標情報の不十分な不確実性に対処するために, 階層的粒子構造を提案する。
  論文  参考訳（メタデータ） (2025-12-31T07:13:14Z)
• Bayesian-Driven Graph Reasoning for Active Radio Map Construction [96.08082552413117]
  本稿では,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性を考慮した無線地図再構成フレームワークを提案する。 提案手法は,(1)空間的不確実性をリアルタイムで推定するベイズニューラルネットワーク,(2)グローバル推論を行う注意に基づく強化学習ポリシの2つの重要な深層学習要素を統合した。 実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。
  論文  参考訳（メタデータ） (2025-07-29T03:32:01Z)
• 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)
• Beyond the Destination: A Novel Benchmark for Exploration-Aware Embodied Question Answering [87.76784654371312]
  Embodied Question Answeringでは、エージェントが動的に3D環境を探索し、視覚情報を積極的に収集し、質問に答えるために多段階の推論を行う必要がある。 既存のデータセットはしばしばバイアスや事前の知識を導入し、非身体的推論につながる。 探索能力と推論能力の両方を評価するために特別に設計された最大のデータセットを構築します。
  論文  参考訳（メタデータ） (2025-03-14T06:29:47Z)
• Deep Reinforcement Learning with Dynamic Graphs for Adaptive Informative Path Planning [22.48658555542736]
  ロボットデータ取得における重要な課題は、当初未知の環境を抜けて観測を収集する計画経路である。 そこで本研究では,未知の3D環境において,ロボット経路を適応的に計画し,対象をマップする深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-02-07T14:24:41Z)
• Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning [60.599223456298915]
  本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。 本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。 最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
  論文  参考訳（メタデータ） (2022-08-17T14:19:33Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
  多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。 本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。 学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
  論文  参考訳（メタデータ） (2021-04-12T23:14:41Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)

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。