論文の概要: Marine Autonomous Vehicle Fleet Scheduling to Maximise Scientific Impact

• arxiv url: http://arxiv.org/abs/2608.27271v1
• Date: Thu, 27 Aug 2026 15:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.476325
• Title: Marine Autonomous Vehicle Fleet Scheduling to Maximise Scientific Impact
• Title（参考訳）: 海上自走車、科学的影響を最大化へ
• Authors: Mehdi El Krari, Jonathan Smith, Maria Fox,
• Abstract要約: そこで本稿では,MAVデプロイメントスケジュールの自動化と最適化を目的としたMILP(Mixed-integer linear programming)モデルを提案する。 このモデルは、バッテリ容量やデータ収集の時間ウィンドウなど、厳格な運用上の制約を考慮に入れている。 非常にスケーラブルで、数十台のMAVのルーティング問題を数秒で解決し、わずか数分で数百台の車両にスケールアップする。
• 参考スコア（独自算出の注目度）: 0.6567177864421798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The marine science community increasingly relies on Marine Autonomous Vehicles (MAVs) to collect the critical environmental data required to understand global ocean systems. However, as these operations scale, manually routing and planning large autonomous fleets becomes exponentially complex and time-consuming. To address this, we propose a mixed-integer linear programming (MILP) model designed to automate and optimise MAV deployment schedules. The model accounts for strict operational constraints, including battery capacities and time windows for data collection, while aiming to maximise total data collection and minimise both the number of deployed vehicles and their energy consumption. A key novelty of this framework is integrating conventional ship itineraries, allowing MAVs to support vessels with mid-mission battery swapping or accelerated transit between waypoints. Computational experiments demonstrate that the model is highly scalable, solving routing problems for fleets of dozens of MAVs in seconds, and scaling to hundreds of vehicles in only a few minutes. Beyond operational scheduling, the framework serves as a robust simulation tool for evaluating 'what-if' scenarios and analysing the impact of varying parameters on deployment strategies. Finally, the solution generates a suite of visualisations designed to enhance explainability and support strategic decision-making for stakeholders.
• Abstract（参考訳）: 海洋科学コミュニティは、海洋システムを理解するのに必要な重要な環境データを収集するために、海洋自律走行車(MAV)にますます依存している。 しかし、これらの運用規模が大きくなるにつれて、手動で大規模な自律艦隊を編成し、計画することが指数関数的に複雑になり、時間がかかります。 そこで本研究では,MAVデプロイメントスケジュールの自動化と最適化を目的としたMILPモデルを提案する。 このモデルは、データ収集のためのバッテリー容量や時間窓など、厳格な運用上の制約を考慮し、総データ収集を最大化し、配備された車両の数と消費エネルギーの両方を最小化することを目指している。 この枠組みの目新しいところは、従来の船の回廊の統合であり、MAVは中間ミッションのバッテリー交換や経路間の移動の加速で船を支援することができる。 計算実験により、モデルは高度にスケーラブルであり、数十台のMAVのルーティング問題を数秒で解決し、わずか数分で数百台の車両にスケールできることが示されている。 運用スケジューリング以外にも、フレームワークは‘What-if’シナリオを評価し、さまざまなパラメータがデプロイメント戦略に与える影響を分析するための堅牢なシミュレーションツールとして機能する。 最後に、ソリューションは説明可能性を高め、ステークホルダーのための戦略的意思決定をサポートするように設計された一連の可視化を生成する。

関連論文リスト

• Towards Reliable Aerial Ground Vehicle Collaboration: An Integrated Planning and Autonomy Framework for Field Deployment [0.0]
  信頼性の高いフィールド配置のための統合型計画と自律化フレームワークを提案する。 本稿では,エネルギー制約付き協調的ルーティングタスクとしてこの問題を定式化し,Deep Reinforcement Learning (DRL)ベースのプランナーを用いて解決する。 計画と実行のギャップを埋めるために、標準化された2層YAMLベースのミッションAPIを導入します。 このフレームワークは、UAV制御のためのPX4/MAVSDKとUGVナビゲーションのためのROS 2/Nav2を使用して、完全な自律スタックによってサポートされている。
  論文  参考訳（メタデータ） (2026-07-07T15:59:49Z)
• A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
  本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。 提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
  論文  参考訳（メタデータ） (2026-02-11T10:02:31Z)
• Scaling Multi Agent Reinforcement Learning for Underwater Acoustic Tracking via Autonomous Vehicles [1.7923169244369488]
  マルチエージェント強化学習は、サンプル非効率で悪名高い。 GazeboのLRAUVのような高忠実度シミュレータは、リアルタイムのシングルロボットシミュレーションを100倍高速にする。 本稿では,高忠実度シミュレーションをGPU加速環境へ伝達する反復蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T04:42:30Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Graph Learning-based Fleet Scheduling for Urban Air Mobility under Operational Constraints, Varying Demand & Uncertainties [5.248564173595024]
  本稿では,電気航空機のスケジュールと目的地のオンライン計画におけるグラフ強化学習手法を提案する。 それは、時間的な需要、垂直離着陸能力、航空機の容量および空域安全ガイドラインに関する制約、離陸遅延、天候によるルート閉鎖、予想外の航空機のダウンタイムに関する不確実性を考える。
  論文  参考訳（メタデータ） (2024-01-09T23:46:22Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)

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。