論文の概要: Fleets Need a Context Plane: Rethinking Cooperative Perception for Autonomous Drones
- arxiv url: http://arxiv.org/abs/2609.00659v1
- Date: Tue, 01 Sep 2026 03:38:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.271639
- Title: Fleets Need a Context Plane: Rethinking Cooperative Perception for Autonomous Drones
- Title（参考訳）: 自律ドローンの協調認識を再考する
- Authors: Liangkai Liu, Xiaoxiao Wu,
- Abstract要約: 協調的な認識により、ドローン艦隊は複数の視点から観測を組み合わせられる。
既存のシステムは一般的に、設計時に機能共有ポリシーを修正するか、1つのコンテキスト信号にのみ適応する。
我々は,UAV3Dにおけるコンテキストブレンド共有のコストを,再学習することなく,評価時に特徴交換を制御することによって定量化する。
- 参考スコア（独自算出の注目度）: 2.4987462536395966
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Cooperative perception allows a drone fleet to combine observations from multiple viewpoints. However, existing systems typically fix their feature-sharing policies at design time or adapt to only one context signal. This is a poor fit for aerial fleets, whose missions, bandwidth, formation geometry, and scene coverage can change during flight. We quantify the cost of context-blind sharing on UAV3D by controlling feature exchange at evaluation time using a released DiscoNet checkpoint, without retraining. Mission-aware sharing matches full-sharing accuracy while using only 5-10% of the bytes. The best tested peer selection policy changes with the byte budget, and choosing the wrong policy loses up to 7.7 AP. Moreover, under a constrained budget, two policies with the same full-scene accuracy differ by 5.9 AP within the mission region, showing that multiple context axes must be considered jointly. We therefore propose the context plane, a bounded, structured interface for runtime context. Each drone publishes a descriptor of at most 1 KB at 10 Hz, and lightweight, replaceable policies use the fleet context to decide what each drone computes, shares, and fuses. Existing sharing schemes become fixed policies within this interface. In our ROS 2 prototype on a Jetson AGX Orin, the context plane uses approximately 0.01% of the data-plane bandwidth, and each policy decision takes 0.10 ms. These results show that an explicit context interface can support low-overhead runtime adaptation without modifying or retraining the perception model.
- Abstract（参考訳）: 協調的な認識により、ドローン艦隊は複数の視点から観測を組み合わせられる。
しかし、既存のシステムは一般的に、設計時に機能共有ポリシーを修正するか、1つのコンテキスト信号にのみ適応する。
これは、飛行中にミッション、帯域幅、形成幾何学、シーンカバレッジを変えることができる航空艦隊にとって不適当である。
本研究では,UAV3Dにおけるコンテキストブレンド共有のコストを,リリースしたDiscoNetチェックポイントを用いて評価時の特徴交換を制御することで定量化する。
Mission-Awareの共有は、全共有精度と一致し、バイトの5～10%しか使用できない。
ベストテストのピア選択ポリシーはバイト単位の予算で変更され、間違ったポリシーを選択すると最大7.7APを失う。
さらに、制約された予算の下では、同じフルシーン精度の2つのポリシーがミッション領域内の5.9 APで異なるため、複数のコンテキスト軸を共同で考慮する必要がある。
そこで我々は,実行時コンテキストのためのコンテキストプレーン,境界付き構造化インターフェースを提案する。
各ドローンは、少なくとも1KBのディスクリプタを10Hzで公開し、軽量で代替可能なポリシーは、各ドローンの計算、共有、ヒューズを決定するために、フリートコンテキストを使用する。
既存の共有スキームは、このインターフェース内で固定されたポリシーとなる。
Jetson AGX Orin の ROS 2 プロトタイプでは、コンテキストプレーンはデータプレーン帯域の約0.01% を使用し、それぞれのポリシー決定には 0.10 ms を要する。
関連論文リスト
- XPolicyLab: A Unified Standard and Open Ecosystem for Robot Policy Evaluation and Deployment [110.47421789797546]
XPolicyLabは、ロボットポリシーの評価とデプロイのための統一された標準でオープンなエコシステムである。
XPolicyLabは42のロボットポリシーを統合し、インストール、デバッグ、サービス、アダプタ、評価を標準化する。
コントロールされた研究では、標準に従って、代表政策の統合の労力を5時間以上から2時間に短縮する。
論文 参考訳（メタデータ） (2026-08-10T17:41:04Z) - SEArch: Optimistic Policy Selection Between Scene Noise and Drift for UAV Radar Search [3.121398783448697]
レーダーセンサーを装備した無人航空機(UAV)は、多様な環境での捜索任務のために配備される。
基本的な課題は、UAVが動的かつ潜在的に静止しない環境を通過するときのレーダー統計の変化から生じる。
特定検出器ライブラリー上でのオンラインポリシー選択問題として,マルチ政治パラダイムを採用し,UAVターゲット探索を定式化する。
実験では、非定常的な設定の範囲で、適応的でないベースラインと比較して、最大30%の後悔の削減が示される。
論文 参考訳（メタデータ） (2026-05-31T16:21:41Z) - DC-Ada: Reward-Only Decentralized Observation-Interface Adaptation for Heterogeneous Multi-Robot Teams [2.28438857884398]
異質性(heterogeneity)は、デプロイされたマルチロボットチームの決定的な機能である。
報酬のみの分散適応方式であるDC-Adaを提案する。
ロボットごとの観測変換を小型化し、不均一なセンシングを固定された推論インタフェースにマッピングする。
論文 参考訳（メタデータ） (2026-04-05T00:15:49Z) - Communication-Aware Multi-Agent Reinforcement Learning for Decentralized Cooperative UAV Deployment [5.204648436671471]
我々は、分散実行(CTDE)を用いた集中学習の下で訓練されたグラフに基づくマルチエージェント強化学習フレームワークを提案する。
中央集権的な批評家とグローバルな国家は訓練中のみ利用可能であり、各UAVは近隣住民からのローカルな観察とメッセージを使用して共有ポリシーを実行する。
本アーキテクチャでは,ローカルエージェントの状態と周辺エンティティをエージェント・エンタテイメント・モジュールでエンコードし,距離限定通信グラフ上でUAV間メッセージを隣接する自己注意で集約する。
論文 参考訳（メタデータ） (2026-03-17T05:48:51Z) - See Less, Drive Better: Generalizable End-to-End Autonomous Driving via Foundation Models Stochastic Patch Selection [51.59559387222532]
エンドツーエンド自動運転の最近の進歩は、パッチアライメント機能で訓練されたポリシーが、アウト・オブ・ディストリビューション(OOD)よりも一般化していることを示している。
我々は、より堅牢で、一般化可能で、効率的な学習ポリシーのためのシンプルで効果的なアプローチである2.4-Patch-Selection(SPS)を提案する。
論文 参考訳（メタデータ） (2026-01-15T18:58:33Z) - When +1% Is Not Enough: A Paired Bootstrap Protocol for Evaluating Small Improvements [0.0]
最近の機械学習論文では、ベンチマークの単一実行から1-2パーセントの改善が報告されている。
したがって、報告された+1-2%が実際のアルゴリズムの進歩とノイズを反映しているかどうかは不明である。
本稿では,ペア型マルチシードラン,バイアス補正・高速化(BCa)ブートストラップ信頼区間,およびデルタ単位のサインフリップ置換試験に基づくPCフレンドリーな評価プロトコルを提案する。
論文 参考訳（メタデータ） (2025-11-24T23:50:27Z) - Information Capacity Regret Bounds for Bandits with Mediator Feedback [55.269551124587224]
我々は,政策セットの複雑さに対する情報理論尺度として,政策セットの容量を導入する。
古典的なEXP4アルゴリズムを採用することで、ポリシーセットの容量に応じて、新たな後悔の限界を提供する。
ポリシーセットファミリの選択については、キャパシティと同じようなスケールで、ほぼ整合性の低い境界を証明します。
論文 参考訳（メタデータ） (2024-02-15T19:18:47Z) - Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。
合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
論文 参考訳（メタデータ） (2023-10-24T01:00:01Z) - GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。
不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。
我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文 参考訳（メタデータ） (2022-11-04T16:10:50Z)
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。