論文の概要: HEROIC: Heterogeneous Evidential Reasoning for Open-Vocabulary Identification and Cross-Robot Collaboration

• arxiv url: http://arxiv.org/abs/2609.19803v1
• Date: Thu, 17 Sep 2026 07:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.134416
• Title: HEROIC: Heterogeneous Evidential Reasoning for Open-Vocabulary Identification and Cross-Robot Collaboration
• Title（参考訳）: HEROIC:オープンボキャブラリ同定とロボット間協調のための不均一な証拠推論
• Abstract要約: HEROICは分散マルチエージェントのオープン語彙検索コーディネートフレームワークである。 エージェントは自然言語でのみ通信する必要がある。 HEROICは6つのシーンの84%を目標とし、視覚言語フロンティアベースラインは35-54%である。
• 参考スコア（独自算出の注目度）: 9.70184678680092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent heterogeneous air-ground robot teams are attractive for open world search, with applications for reconnaissance, urban search and rescue missions (USAR), disaster response and recovery, and hazardous environments. These two platforms have different failure modes: aerial robots cover ground quickly but cannot resolve small or occluded targets from altitude, while ground robots can identify objects-of-interest, such as people or hazardous objects, at close range but cover less area. Existing language-tasked teams either have roles fixed prior, or have a language model assign them from hand-written capability tags, so the team is unable to know when within a mission an asset is no longer useful. We present HEROIC, a decentralized heterogeneous multi-agent open-vocabulary search coordination framework that requires agents to communicate in natural language only. HEROIC's initial agent role assignment is derived from sensor properties and a scale law to determine whether targets can be detected with a high confidence. From the mission's natural language prompt alone, this law assigns aerial flight altitudes and sweep spacing. When this calculated height falls below the altitude for safe flight, aerial agents re-task themselves from searcher to aerial triage, escort, and route guide for ground agents. Both robots maintain an evidential belief over the search area (bearing rays for positive evidence, a log-odds posterior for negative evidence) and gate any arrival on close-range verification. In full-stack experiments, HEROIC reaches the target 84% of the time across all 6 scenes, compares to 35-54% for vision-language frontier baselines, frontier-based search, lawnmower, and random-walk running the same perception, all while being 2-4x sooner to arrive at the target.
• Abstract（参考訳）: マルチエージェントヘテロジニアス・エアグラウンド・ロボットチームは、偵察、都市捜索救助ミッション(USAR)、災害対応と復旧、危険環境など、オープンワールド・サーチに魅力的である。 これらの2つのプラットフォームは、異なる障害モードを持つ: 空中ロボットは、素早く地面を覆うが、高度から小さなまたは隠されたターゲットを解決できない。 既存の言語タスクのチームは、事前にロールを固定するか、手書きの能力タグから言語モデルを割り当てているため、ミッション内でいつアセットが役に立たないのか分からない。 HEROICは,エージェントが自然言語のみで通信することを要求する,分散化された異種マルチエージェント型オープン語彙検索コーディネートフレームワークである。 HEROICの最初のエージェントロール割り当ては、センサー特性とスケール法則から導かれ、高い信頼性でターゲットを検出できるかどうかを判定する。 ミッションの自然言語のプロンプトだけで、この法律は飛行高度と掃討距離を割り当てている。 この計算された高度が安全な飛行のために高度を下回ると、航空エージェントは捜索者から航空トリアージ、護衛、地上エージェントのためのルートガイドへと自分自身を再びタグ付けする。 どちらのロボットも、探索領域に対する明確な信念(肯定的な証拠の光線、否定的な証拠の対数的な後部)を維持し、近距離検証の到達をゲートする。 HEROICは全6シーンの84%を目標に到達し、視覚言語フロンティアベースライン、フロンティアベースサーチ、芝刈り機、ランダムウォークの35-54%を目標に2-4倍早く到達させる。

関連論文リスト

• Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
  身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。 統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
  論文  参考訳（メタデータ） (2026-05-26T18:52:04Z)
• Agent Mars: Multi-Agent Simulation for Multi-Planetary Life Exploration and Settlement [17.969021804498844]
  宇宙探査と開拓は広大な環境と資源を提供するが、地球に合わない制約を課している。 主な課題は、安全クリティカルなシステムにおける、専門化された人間、ロボット、デジタルサービス間の監査可能な調整である。 我々は,Agent Marsを紹介した。Agent Marsは,Marsベースオペレーションのための,エンドツーエンドのマルチエージェントシミュレーションフレームワークである。
  論文  参考訳（メタデータ） (2026-02-09T00:29:06Z)
• 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)
• Heterogeneous Robot Collaboration in Unstructured Environments with Grounded Generative Intelligence [54.91177026001217]
  大規模言語モデル(LLM)対応のチーム化手法は、よく構造化された既知の環境を前提とするのが一般的である。 異種ロボットチームにおけるLCMの推論能力を基盤として,これらの制約に対処するフレームワークであるSPINE-HTを提案する。 我々のフレームワークは、従来のLLM対応の不均一なチームリング手法と比較して、ほぼ2倍の成功率を達成する。
  論文  参考訳（メタデータ） (2025-10-30T18:24:38Z)
• Air-Ground Collaboration for Language-Specified Missions in Unknown Environments [62.56917065429864]
  本稿では,無人航空機 (UAV) と無人地上機 (UGV) が,自然言語で指定されたミッションを協調的に達成できる,第一種システムを提案する。 我々は、Large Language Model(LLM)対応プランナーを利用して、オンライン上に構築され、航空ロボットと地上ロボットの間で機会的に共有されるセマンティック・メトリック・マップを推論する。
  論文  参考訳（メタデータ） (2025-05-14T03:33:46Z)
• DSSE: a drone swarm search environment [0.0]
  Drone Swarm Searchプロジェクトは、PettingZooをベースにした環境であり、マルチエージェント(またはシングルエージェント)強化学習アルゴリズムと組み合わせて使用される。 本研究の目的は,入力として動的確率を必要とする強化学習アルゴリズムの研究を支援することである。
  論文  参考訳（メタデータ） (2023-07-12T15:28:26Z)
• Aerial View Goal Localization with Reinforcement Learning [6.165163123577484]
  本稿では,実際のUAVへのアクセスを必要とせずに,SAR(Search-and-Rescue)のようなセットアップをエミュレートするフレームワークを提案する。 この枠組みでは、エージェントが空中画像(探索領域のプロキシ)上で動作し、視覚的手がかりとして記述されたゴールのローカライズを行う。 AiRLocは、探索(遠方目標探索)と搾取(近方目標の局所化)を分離する強化学習(RL)に基づくモデルである。
  論文  参考訳（メタデータ） (2022-09-08T10:27:53Z)
• 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)

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。