Fugu-MT 論文翻訳(概要): Multi-Agent Reinforcement Learning for Autonomous UAV Exploration in Wildfire Response

論文の概要: Multi-Agent Reinforcement Learning for Autonomous UAV Exploration in Wildfire Response

arxiv url: http://arxiv.org/abs/2609.10433v1
Date: Wed, 09 Sep 2026 16:45:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:09.115646
Title: Multi-Agent Reinforcement Learning for Autonomous UAV Exploration in Wildfire Response
Title（参考訳）: 森林火災応答における自律型UAV探査のためのマルチエージェント強化学習
Abstract要約: 本研究は、無人航空機(UAV)エージェントを訓練し、シミュレーションされた山火事環境をナビゲートし監視するための深層強化学習フレームワークを開発する。その結果, エージェントは損失傾向の収束, 報奨信号の改善, 火災境界追跡などのより一貫したナビゲーションパターンによって, 時間とともに安定かつ効果的な行動を学ぶことが示唆された。
参考スコア（独自算出の注目度）: 0.30586855806896035
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study develops a deep reinforcement learning framework for training Unmanned Aerial Vehicle (UAV) agents to navigate and monitor simulated wildfire environments. Results show that agents learn increasingly stable and effective behaviors over time, as demonstrated by converging loss trends, improved reward signals, and more consistent navigation patterns such as fire-boundary tracking. Overall, these findings highlight the potential of deep reinforcement learning (DRL) based UAV systems for autonomous wildfire monitoring and suggest that environmental structure and reward design influence policy effectiveness.
Abstract（参考訳）: 本研究は、無人航空機(UAV)エージェントを訓練し、シミュレーションされた山火事環境をナビゲートし、監視するための深層強化学習フレームワークを開発する。その結果, エージェントは損失傾向の収束, 報奨信号の改善, 火災境界追跡などのより一貫したナビゲーションパターンによって, 時間とともに安定かつ効果的な行動を学ぶことが示唆された。これらの知見は, 自律型山火事モニタリングのための深層強化学習(DRL)に基づくUAVシステムの可能性を明らかにするとともに, 環境構造と報奨設計が政策効果に与える影響を示唆している。

関連論文リスト

Boosting Robust AIGI Detection with LoRA-based Pairwise Training [55.076681464804636]
現在のAIGI検出器はクリーンなデータセットで良好に動作しますが、その検出性能は"野生"に展開すると低下します。本稿では,高度歪み下でのAIGIの堅牢な検出を実現するために,Lo-based Pairwise Training (RA) 戦略を提案する。
論文参考訳（メタデータ） (2026-04-14T05:35:32Z)
AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios [64.51320327698231]
UAVシナリオにおける最初の大規模RMOTベンチマークであるAerialMindを紹介する。我々は、革新的な半自動協調型エージェントベースラベリングアシスタントフレームワークを開発した。また,視覚言語表現学習を協調的に強化する新しい手法であるHawkEyeTrackを提案する。
論文参考訳（メタデータ） (2025-11-26T04:44:27Z)
LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
論文参考訳（メタデータ） (2025-07-23T04:22:57Z)
Application of Deep Reinforcement Learning to UAV Swarming for Ground Surveillance [0.0]
マルチエージェント集中型Swarmアーキテクチャに深層強化学習を統合するハイブリッドAIシステムを提案する。提案システムは、特定のエリアの監視、地上目標の探索と追跡、セキュリティおよび法執行機関の応用に適したシステムである。
論文参考訳（メタデータ） (2025-01-15T08:46:20Z)
Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
論文参考訳（メタデータ） (2024-07-17T09:45:27Z)
Intercepting Unauthorized Aerial Robots in Controlled Airspace Using Reinforcement Learning [2.519319150166215]
制御空域における無人航空機(UAV)の増殖は重大なリスクをもたらす。この作業は、強化学習(RL)を用いることで、そのような脅威を管理することのできる堅牢で適応的なシステムの必要性に対処する。固定翼UAV追跡エージェントの訓練にRLを用いる新しい手法を提案する。
論文参考訳（メタデータ） (2024-07-09T14:45:47Z)
A comprehensive survey of research towards AI-enabled unmanned aerial systems in pre-, active-, and post-wildfire management [6.043705525669726]
森林火災は世界でも最も破壊的な自然災害の1つであり、人命と森林の野生生物に壊滅的な被害をもたらしている。近年、無人航空機(UAV)とディープラーニングモデルの統合によって推進される山火事における人工知能(AI)の使用は、より効果的な山火事管理を実装し、開発するための前例のない勢いを生み出している。
論文参考訳（メタデータ） (2024-01-04T05:09:35Z)
Spatio-Temporal Split Learning for Autonomous Aerial Surveillance using Urban Air Mobility (UAM) Networks [16.782309873372057]
本稿では,街路火災の検知を目的とした監視型UAVを利用する。このシナリオに時空間分割学習を適用して、プライバシを保護し、世界規模で火災分類モデルを訓練する。本稿では,このUAV環境での分断学習に必要なクライアント数とデータ比率と,必要なネットワークインフラについて検討する。
論文参考訳（メタデータ） (2021-11-15T01:39:31Z)
A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文参考訳（メタデータ） (2021-07-19T12:54:04Z)
Distributed Reinforcement Learning for Flexible and Efficient UAV Swarm Control [28.463670610865837]
本稿では,大規模群に拡大する分散強化学習(RL)手法を提案する。本実験では, 本手法がコミュニケーションチャネル障害に強い効果的な戦略を導出できることを示した。また,本手法は計算集約的なルックアヘッドに比べて優れた性能を実現することを示す。
論文参考訳（メタデータ） (2021-03-08T11:06:28Z)
Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。 UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
論文参考訳（メタデータ） (2021-03-03T20:54:19Z)

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。