論文の概要: Deep Probabilistic Indoor Gas Source Localization via Physical Dependency-Guided Sequential Inference

• arxiv url: http://arxiv.org/abs/2608.16221v1
• Date: Mon, 17 Aug 2026 07:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.582932
• Title: Deep Probabilistic Indoor Gas Source Localization via Physical Dependency-Guided Sequential Inference
• Title（参考訳）: 物理依存性誘導シーケンス推論による深部確率的室内ガス源位置推定
• Abstract要約: ガス源のローカライゼーションは、産業や都市環境の安全に不可欠である。 高忠実度モデルはこれらの効果を捉えることができるが、その計算コストはオンラインでの使用を制限する。 本研究では,移動ロボットが収集したスパース・ノイズ測定から,音源後部を推定する深い確率的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 8.887264017437465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable gas source localization (GSL) is critical to safety in industrial and urban environments, yet remains challenging indoors because walls and obstacles interact with airflow to create complex gas dispersion. High-fidelity models such as computational fluid dynamics and filament models can capture these effects, but their computational cost limits online use. We propose a deep probabilistic framework that infers the source posterior from sparse and noisy measurements collected by a mobile robot. Unlike end-to-end models that directly infer source estimates from measurements, the proposed method incorporates physical dependencies of indoor gas transport, where wind and source location govern the concentration field. These dependencies are embedded through sequential conditional inference, in which inferred wind and concentration fields guide source posterior estimation. This structure improves localization under sparse and noisy observations. Evaluations show that the proposed method outperforms representative GSL baselines and enables accurate and efficient active GSL in simulations. Real-robot experiments demonstrate the feasibility of online operation on an embedded GPU.
• Abstract（参考訳）: ガス源の信頼性の確保 (GSL) は, 産業環境や都市環境の安全に重要であるが, 壁や障害物が気流と相互作用して複雑なガス分散を発生させるため, 屋内では困難である。 計算流体力学やフィラメントモデルのような高忠実度モデルはこれらの効果を捉えることができるが、計算コストはオンラインでの使用を制限する。 本研究では,移動ロボットが収集したスパース・ノイズ測定から,音源後部を推定する深い確率的枠組みを提案する。 実測値を直接推定するエンド・ツー・エンドモデルとは異なり, 提案手法では, 風とソースの位置が濃度場を支配する屋内ガス輸送の物理的依存性を取り入れている。 これらの依存関係は逐次的条件推論によって埋め込まれ、そこでは推定された風と濃度場が震源の後方推定を導く。 この構造は、スパース観測およびノイズ観測下での局所化を改善する。 評価の結果,提案手法は代表的なGSLベースラインよりも優れており,シミュレーションにおいて正確かつ効率的なGSLを実現することができることがわかった。 実ロボット実験は、組み込みGPU上でのオンライン操作の実現可能性を示している。

関連論文リスト

• Information-Guided Safe Reinforcement Learning for Autonomous Gas Source Localization using sUAS [3.8218584696400484]
  乱流大気境界層では、断続的なスカラー濃度場は古典的な勾配に基づく航法の前提に反する。 Information-Guided Safe Reinforcement Learning framework for a custom, GPU-accelerated 3D Simulation environment。 我々のフレームワークは、複雑なモバイルソース上で80%近いローカライズ成功を達成する。
  論文  参考訳（メタデータ） (2026-09-04T00:29:37Z)
• Calibration-Free Gas Source Localization with Mobile Robots: Source Term Estimation Based on Concentration Measurement Ranking [6.929743379017672]
  安価なガスセンサーを備えた移動ロボットは、危険環境における人間の検査の代替として、より安全な手段を提供する。 本研究では, 動的に蓄積したデータセット内のガス測定値の相対的ランク付けを利用する特徴抽出アルゴリズムを提案する。 我々は,高忠実度シミュレーションと物理実験において,非校正ガスセンサを用いた一貫した位置決め精度を実証し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-05-13T08:58:48Z)
• Optimal-Transport-Guided Functional Flow Matching for Turbulent Field Generation in Hilbert Space [0.3173969736316818]
  乱流の高忠実度モデリングには複雑な力学と多スケール断続性が必要である。 無限次元関数空間で直接定義される生成フレームワークであるFOT-CFM(Functional Optimal Transport Conditional Flow Matching)を提案する。 FOT-CFMは、最先端のベースラインに比べて高次乱流統計とスペクトルエネルギーの再現において優れた忠実性を達成する。
  論文  参考訳（メタデータ） (2026-04-07T10:53:37Z)
• EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
  EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-17T06:11:56Z)
• Enhancing Eye Feature Estimation from Event Data Streams through Adaptive Inference State Space Modeling [68.1289208938377]
  イベントベースのデータストリームから目の特徴抽出を効率的かつ低エネルギーで行うことができる。 本稿では,特徴抽出のための新しいアーキテクチャである強調型推論状態空間モデル(AISSM)を紹介する。 また、トレーニング効率を向上させる新しい学習手法を開発・評価する。
  論文  参考訳（メタデータ） (2026-03-14T18:47:08Z)
• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• Generative Bayesian Filtering and Parameter Learning [0.0]
  生成ベイズフィルタ(GBF)は、複素非線形および非ガウス状態空間モデルにおいて後方推論を行うための強力なフレームワークを提供する。 GBFは明示的な密度評価を必要としないため、観察や遷移分布が解析的に解析可能である場合に特に有効である。 本稿では,各変数を暗黙の完全条件分布から反復的にサンプリングすることで,明示的な密度評価を回避できるジェネレーション・ギブズ・サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2025-11-06T17:04:48Z)
• Uncertainty assessment in satellite-based greenhouse gas emissions estimates using emulated atmospheric transport [0.11515105534512099]
  大気中輸送の「フットプリント」と温室効果ガスモル分率測定を推定するためのアンサンブルに基づくパイプラインを提案する。 このアプローチは2016年にブラジルのGOSAT(Greenhouse Gases Observing Satellite)観測で実証された。 その結果,大気中の輸送フットプリントとメタンモル分画の両面において,アンサンブル拡散が低信頼な空間的および時間的予測を浮き彫りにすることがわかった。
  論文  参考訳（メタデータ） (2025-10-07T10:14:25Z)
• Deep Learning Surrogates for Real-Time Gas Emission Inversion [6.14441531828484]
  過渡的な大気環境下での温室効果ガス排出量のリアルタイム同定と定量化は、環境モニタリングにおいて重要な課題である。 本稿では,モンテカルロシーケンシャルアルゴリズムを組み込んだディープラーニング計算流体力学(CFD)フレームワークを提案する。 高忠実度CFD出力で訓練された多層パーセプトロンを用いてコストの高い数値計算器を置換することにより、サロゲートは、ほぼリアルタイムな予測を行いながら、空間的不均一性とガス分散の時間的進化を捉える。
  論文  参考訳（メタデータ） (2025-06-17T15:03:21Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Modeling State Shifting via Local-Global Distillation for Event-Frame Gaze Tracking [61.44701715285463]
  本稿では,イベントデータとフレームデータの両方を用いた受動的視線推定の問題に取り組む。 我々は、現在の状態からいくつかの事前登録されたアンカー状態に移行する状態の定量化として、視線推定を再構成する。 大規模視線推定ネットワークを直接学習する代わりに,地域の専門家グループと学生ネットワークを連携させることにより,一般化能力の向上を図る。
  論文  参考訳（メタデータ） (2024-03-31T03:30:37Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)

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。