論文の概要: Probabilistic Multi-Robot Gas Source Localization with Uncalibrated Sensors: A Distributed Estimation Approach

• arxiv url: http://arxiv.org/abs/2608.28214v1
• Date: Fri, 28 Aug 2026 11:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.301808
• Title: Probabilistic Multi-Robot Gas Source Localization with Uncalibrated Sensors: A Distributed Estimation Approach
• Title（参考訳）: 非校正型センサを用いた確率的マルチロボットガス源位置推定:分散推定手法
• Abstract要約: ソースローカライゼーションタスクのための分散確率的フレームワークを提案する。 各ロボットは、ランクベースの特徴を用いて、個別に局所的な信念を推定する。 これらの局所的な信念は、一貫したグローバルな見積もりを得るために専門家の定式化の産物によって融合される。
• 参考スコア（独自算出の注目度）: 7.570246812206771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating environmental states with multi-robot systems becomes particularly challenging when robots are equipped with uncalibrated and therefore heterogeneous sensors, whose nonlinear and inconsistent responses prevent reliable information fusion. In this paper, we propose a distributed probabilistic framework for source localization tasks that enables calibration-free estimation in the presence of sensor heterogeneity. The key idea is that each robot independently estimates a local belief using a rank-based feature that captures the relative evolution of observations and is invariant to sensor scaling and nonlinearities. These local beliefs are then fused through a product of experts formulation to obtain a consistent global estimate across the team. To further improve the efficiency of team coordination, we introduce an informative region allocation and path planning strategy that reduces redundant exploration while balancing exploration and exploitation. We validate the proposed framework using high-fidelity simulations with realistic gas sensor models. Results demonstrate that our method significantly outperforms a benchmark method based on standard measurement aggregation, achieving reliable source localization accuracy despite strong sensor heterogeneity. More broadly, this work demonstrates how calibration-free sensing representations can be effectively extended to distributed robotic systems, paving the way for their application to other estimation tasks involving heterogeneous sensors.
• Abstract（参考訳）: ロボットが不整合で異質なセンサを備えており、非線形で不整合な応答が情報融合を妨げている場合、マルチロボットシステムによる環境状態の推定は特に困難になる。 本稿では,センサの不均一性の存在下でのキャリブレーションフリーな推定を可能にする,ソースローカライゼーションタスクのための分散確率的フレームワークを提案する。 鍵となる考え方は、各ロボットが、相対的な観測の進化を捉え、センサーのスケーリングや非線形性に不変なランクベースの特徴を用いて、独自に局所的な信念を推定することである。 これらのローカルな信念は、専門家による定式化の産物を通じて融合され、チーム全体で一貫したグローバルな見積もりが得られます。 チームのコーディネーションの効率をさらに向上するため,探索と搾取のバランスを保ちながら冗長な探索を減らし,情報的地域割当と経路計画戦略を導入する。 実ガスセンサモデルを用いた高忠実度シミュレーションにより,提案手法の有効性を検証した。 その結果, センサの不均一性が強いにもかかわらず, 精度の高い音源定位精度を実現するため, 標準測定集計に基づくベンチマーク法よりも有意に優れていた。 より広範に、この研究は、キャリブレーションのないセンシング表現を分散ロボットシステムに効果的に拡張し、異種センサを含む他の推定タスクに応用する方法を示す。

関連論文リスト

• ARC: Adaptive Robust Joint State and Covariance Estimation [42.045109659898465]
  センサの測定は、外れ値と非ガウスノイズによって頻繁に破壊される。 センサデータのこれらの不完全性は、古典的状態推定器がバイアス付きで信頼性の低い状態と不確実性の推定を発生させる可能性がある。 本稿では,標準対応型適応ロバスト損失と反復重み付けされたLast-Squares状態更新を組み合わせたBlock-Coordinate Descentフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-18T16:09:50Z)
• 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)
• Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
  原理的不確実性定量化は 能動センシング戦略に不可欠です Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。 これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
  論文  参考訳（メタデータ） (2026-04-07T19:17:44Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Belief-Conditioned One-Step Diffusion: Real-Time Trajectory Planning with Just-Enough Sensing [1.6984211127623137]
  我々は、10ミリ秒の前方通過で短水平軌道を返す最初のプランナーであるBelief-Conditioned One-Step Diffusion (B-COD)を提示する。 この1つのプロキシは、ソフト・アクター・クリティカルがオンラインでセンサーを選択するのに十分であり、ポーズ・コ・グロースを束縛しながらエネルギーを最適化することを示している。
  論文  参考訳（メタデータ） (2025-08-16T21:34:16Z)
• Holistic Fusion: Task- and Setup-Agnostic Robot Localization and State Estimation with Factor Graphs [19.359422457413576]
  この研究は、タスクとセットアップに依存しないマルチモーダルセンサー融合のための柔軟なオープンソースソリューションを導入している。 ホロスティックフュージョン (HF) は, 局所的および大域的ロボット状態と, 動的文脈変数の(理論的に無制限な)数との組合せとして, センサフュージョンを定式化する。 HFは、一般的なロボットハードウェア上で低レイテンシかつスムーズなオンライン状態推定を可能にし、同時にIMU測定速度で低ドリフトグローバルなローカライゼーションを提供する。
  論文  参考訳（メタデータ） (2025-04-08T22:54:52Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
  LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。 本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:12:00Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
  本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。 予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。 我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
  論文  参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。