論文の概要: AgenticSwarm: Semantic Perception and Adaptive Task Allocation for Heterogeneous Multi-UAV Missions

• arxiv url: http://arxiv.org/abs/2609.21716v1
• Date: Fri, 18 Sep 2026 12:51:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.088258
• Title: AgenticSwarm: Semantic Perception and Adaptive Task Allocation for Heterogeneous Multi-UAV Missions
• Title（参考訳）: AgenticSwarm: 異種多UAVミッションにおける意味的知覚と適応的タスク割り当て
• Abstract要約: AgenticSwarmは、複数のUAVミッションにおける意味認識と適応タスク割り当てのためのエージェントフレームワークである。 AgenticSwarmは5つの多様なGazebo環境と屋内の実環境で評価されている。 グラウンディングDINO+SAM2.1の認識ベースラインと比較すると、SAM3ベースのパイプラインはクラス認識のリコールを25.2ポイント(pp)、セマンティックラベルの精度を29.5ppで改善している。
• 参考スコア（独自算出の注目度）: 2.063085443869579
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi UAV missions in complex environments require the system to understand both the surrounding scene and the intent of a human operator while maintaining feasible task allocation as mission conditions change. This paper presents AgenticSwarm, an agentic framework for semantic perception and adaptive task allocation in heterogeneous multi UAV missions. An agent interprets aerial imagery and natural language instructions to construct a grounded mission representation that links perceived objects and regions with task requirements, capability constraints, and mission dependencies. This information augments a constrained task allocation process in which obstacle aware path feasibility, energy consumption, and protected return home requirements are incorporated before assignment. During execution, changes such as UAV failure, battery degradation, or task modification trigger residual mission reconstruction from the current system state, while completed work and reconnaissance progress are retained. AgenticSwarm is evaluated across five diverse Gazebo environments and an indoor real test environment, demonstrating its ability to connect semantic reasoning with constrained allocation and adaptive multi UAV mission execution. Compared with a Grounding DINO+SAM~2.1 perception baseline, the SAM3-based pipeline improves class-aware recall by 25.2 percentage points (pp) and semantic label accuracy by 29.5 pp. Ablating residual mission replanning increases mean repeated work from 0% to 61.7% and post-event recovery time by 58.6%, highlighting the contribution of adaptive replanning to mission execution.
• Abstract（参考訳）: 複雑な環境下での複数のUAVミッションでは、周囲のシーンと人間の操作者の意図の両方を理解しながら、ミッション条件が変化するにつれてタスク割り当てが実行可能であることをシステムに要求する。 本稿では,多種多様なUAVミッションにおける意味認識と適応的タスク割り当てのためのエージェントフレームワークであるAgenticSwarmを提案する。 エージェントは、航空画像と自然言語の指示を解釈して、認識されたオブジェクトや領域をタスク要件、能力制約、ミッション依存性とリンクする、地上のミッション表現を構築する。 この情報は、障害認識経路の実現性、エネルギー消費、保護された帰郷要求を割り当て前に組み込む制約されたタスク割り当てプロセスを強化する。 実行中は、UAV故障、バッテリー劣化、タスク修正トリガー等の変更が現在のシステム状態からの残留ミッション再構築を誘導し、作業の完了と偵察の進行が維持される。 AgenticSwarmは5つの多様なGazebo環境と屋内の実環境で評価され、セマンティック推論と制約付きアロケーションと適応型マルチUAVミッションの実行を結びつける能力を示している。 グラウンディングDINO+SAM~2.1の認識ベースラインと比較すると、SAM3ベースのパイプラインはクラス認識のリコールを25.2ポイント(pp)、セマンティックラベルの精度を29.5ppで改善している。 残余のミッション再計画の失敗により、繰り返し作業は0%から61.7%に増加し、再作業後のリカバリ時間は58.6%向上し、ミッション実行への適応的な再計画の貢献が強調された。

関連論文リスト

• ACCORD: Action-Conditioned Contextual Grounding for Language Agents [69.73525608707764]
  ACCORD(Action-Conditioned Contextual Grounding)は、適応的なグラウンドのためのエージェントフレームワークである。 現状のエージェントは、しばしばそうすることができないことを示す。それらは、観察された特定の情報よりもむしろ仮定から行動し、収集した可能性のある情報を見落とし、既に返された証拠を組み込むことに失敗する。
  論文  参考訳（メタデータ） (2026-06-15T09:05:55Z)
• LAEI: Layered Autonomous Edge Intelligence Framework for Robust UAV Swarm Operations [3.8233569758620054]
  レイヤエッジインテリジェンス(Layered Edge Intelligence,LAEI)は、オンボードで学んだポリシと軽量なミッションレベルの監視を組み合わせた、UAV(UAV-swarm)フレームワークである。 LAEIはミッション完了時間を短縮し、衝突対応UAVレベルの分散意思決定を維持しながら、運用効率を向上させる。
  論文  参考訳（メタデータ） (2026-06-08T06:50:15Z)
• Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
  災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。 タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。 DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
  論文  参考訳（メタデータ） (2026-05-12T06:57:41Z)
• What Do LLM Agents Know About Their World? Task2Quiz: A Paradigm for Studying Environment Understanding [50.35012849818872]
  大規模言語モデル(LLM)エージェントは、複雑な意思決定やツール使用タスクにおいて顕著な能力を示した。 本研究では,タスク実行と世界状態理解の分離を目的とした決定論的かつ自動評価パラダイムであるTask-to-Quiz(T2Q)を提案する。 実験の結果,タスク成功は環境理解の指標として不十分な場合が多く,現在の記憶機構はエージェントが環境の基底モデルを取得するのに有効ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2026-01-14T14:09:11Z)
• ThanoRA: Task Heterogeneity-Aware Multi-Task Low-Rank Adaptation [96.86211867758652]
  Low-Rank Adaptation (LoRA) は、基礎モデルの下流の微調整に広く採用されている。 タスク不均一性を考慮したマルチタスク低ランク適応フレームワークであるTanoRAを提案する。
  論文  参考訳（メタデータ） (2025-05-24T11:01:45Z)
• CoordField: Coordination Field for Agentic UAV Task Allocation In Low-altitude Urban Scenarios [18.95579655633218]
  CoordFieldは、複雑な都市シナリオにおける異種ドローン群をコーディネートするための調整フィールドエージェントシステムである。 LLMは、高レベルの人間の命令を解釈し、それをUAVスワムの実行可能なコマンドに変換する役割を担っている。 UAV動作とタスク選択を誘導するコーディネーションフィールド機構を提案し,創発的タスクの分散および適応的アロケーションを可能にする。
  論文  参考訳（メタデータ） (2025-04-30T18:02:45Z)
• REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
  本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。 ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
  論文  参考訳（メタデータ） (2025-03-28T03:51:40Z)
• Meta Reinforcement Learning with Autonomous Inference of Subtask Dependencies [57.27944046925876]
  本稿では,タスクがサブタスクグラフによって特徴づけられるような,新しい数発のRL問題を提案し,対処する。 メタ政治を直接学習する代わりに、Subtask Graph Inferenceを使ったメタラーナーを開発した。 実験の結果,2つのグリッドワールド領域とStarCraft II環境において,提案手法が潜在タスクパラメータを正確に推定できることが確認された。
  論文  参考訳（メタデータ） (2020-01-01T17:34:00Z)

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。