論文の概要: Semantic Map Sharing and Capability-Aware Coverage Planning for AI-Native 6G Robotic Coordination
- arxiv url: http://arxiv.org/abs/2609.37666v1
- Date: Tue, 29 Sep 2026 14:23:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.619138
- Title: Semantic Map Sharing and Capability-Aware Coverage Planning for AI-Native 6G Robotic Coordination
- Title（参考訳）: AI-Native 6G Robotic Coordinationのための意味マップ共有と機能意識被覆計画
- Abstract要約: 提案手法は, 航空地形認識, ロボット固有の移動可能性推論, 意味的状態共有を統合した。
結果が,AIネイティブな6Gネットワークを想定する,AI対応の目標指向通信によって動機付けられた,アプリケーションレベルのメカニズムを形成する。
- 参考スコア（独自算出の注目度）: 4.268237978506809
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Search and Rescue (SAR) operations increasingly deploy heterogeneous teams of aerial and ground robots. However, conventional coverage methods typically do not translate perceived terrain into platform-specific reachability, while continuous image exchange imposes a high communication cost. We propose an edge-centric, semantic-aware coverage planning framework that integrates aerial terrain perception, robot-specific traversability reasoning, and payload-efficient semantic state sharing. Aerial observations are converted into compact semantic grid maps, enabling reachability-constrained area decomposition and capability-aware coverage paths that assign only regions admitted by each robot's capability profile. The resulting perception-sharing-planning loop feeds semantic corrections into traversability reasoning and replanning, forming an application-level mechanism motivated by AI-enabled goal-oriented communication envisioned for AI-native 6G networks. For the high-update case, transmitting semantic corrections reduces the application payload by a factor of approximately $82$ relative to periodic full-map sharing. Across matched benchmark scenarios, the proposed method achieved $91.5\%$ coverage with no capability-infeasible allocations, compared with $78.8\%$ coverage and a $21.5\%$ capability-infeasible allocation rate for LS-MCPP. Semantic corrections update the shared planning state without requiring repeated transmission of the complete map.
- Abstract（参考訳）: SAR(Search and Rescue)の運用は、空中および地上ロボットの異種チームをますます展開している。
しかし、従来のカバレッジ手法では、認識された地形をプラットフォーム固有の到達性に変換することはできず、連続的な画像交換は高い通信コストを課す。
本研究では, 航空地形認識, ロボット固有の移動可能性推論, ペイロード効率の良い意味状態共有を統合した, エッジ中心のセマンティック・アウェア・カバレッジ・プランニング・フレームワークを提案する。
航空観測は、コンパクトなセマンティックグリッドマップに変換され、到達可能性に制約のある領域の分解と、各ロボットの能力プロファイルによって認められた領域のみを割り当てる能力に配慮したカバレッジパスが実現される。
結果として得られる知覚共有計画ループは、意味的な修正をトラバーサビリティ推論と再計画に反映し、AIネイティブな6Gネットワーク向けに想定されるAI対応の目標指向通信によって動機付けられたアプリケーションレベルのメカニズムを形成する。
最新のケースでは、セマンティックな修正を送信することで、アプリケーションのペイロードを周期的なフルマップ共有と比較して約82ドル削減する。
一致したベンチマークのシナリオで、提案手法は機能不能なアロケーションを伴わずに91.5\%のカバレッジを達成し、LS-MCPPでは78.8\%のカバレッジと21.5\%のアロケーションレートを達成した。
意味的補正は、全地図の繰り返し送信を必要とせずに共有計画状態を更新する。
関連論文リスト
- Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。
本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-25T12:16:28Z) - A VAE-Driven Multi-Task Satellite-Aided Semantic Communication Framework for 6G-Enabled Connected Autonomous Vehicles [51.449502491030756]
衛星支援自動運転のためのマルチタスク・セマンティック・コミュニケーション・フレームワークを提案する。
このフレームワークは、両方のタスクを共同で最適化するために、エンドツーエンドで訓練されている。
提案手法は,87.23%から98.17%までの帯域幅削減を実現している。
論文 参考訳（メタデータ） (2026-07-15T06:49:41Z) - Accelerating Robot Path Planning via Connectivity-Preserving Region Proposal Network [5.81838331663612]
移動ロボット経路計画法は、しばしば広大な探索空間によって制約され、サンプリングベースアルゴリズムの遅延が発生する。
本稿では,コンパクトでトポロジカルに連結した候補領域の予測を目的としたセグメンテーション誘導モデルであるCP-RPNを提案する。
論文 参考訳（メタデータ） (2026-05-27T11:59:03Z) - Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。
既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。
エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-07T13:38:18Z) - 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) - AI-Enhanced Spatial Cellular Traffic Demand Prediction with Contextual Clustering and Error Correction for 5G/6G Planning [17.409018763425]
空間的自己相関は、単純列車/テストスプリットの下で近所の漏れを引き起こす可能性がある。
本稿では,リークを低減し,空間一般化を改善するAI駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T14:11:37Z) - Path Planning Optimisation for SParse, AwaRe and Cooperative Networked Aerial Robot Teams (SpArC-NARTs): Optimisation Tool and Ground Sensing Coverage Use Cases [1.376408511310322]
ネットワーク化された空中ロボットチーム(NART)は、無線リンクで相互接続されたエージェントのグループから構成される。
間欠的(すなわちスパース)であっても、エージェント間のデータ交換を可能にし、協調行動をサポートする。
本稿では,スパース,アウェア,協調型ネットワーク型ロボットチームのための新しい経路計画ツールを提案する。
論文 参考訳（メタデータ） (2026-02-15T17:40:45Z) - Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。
この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。
この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
論文 参考訳（メタデータ） (2024-09-29T23:57:25Z) - Predicting Dense and Context-aware Cost Maps for Semantic Robot
Navigation [35.45993685414002]
本研究では,対象がセマンティックラベルで指定された未知環境における目標ナビゲーションの課題について検討する。
本稿では,意味的コンテキストを暗黙的に含む高コストマップを予測するために,ディープニューラルネットワークアーキテクチャとロス関数を提案する。
また、コストマップ予測のためのセマンティックなヒントを提供するために、アーキテクチャに中間レベルの視覚表現を融合する新しい方法を提案する。
論文 参考訳（メタデータ） (2022-10-17T11:43:19Z) - Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense
Forest Canopy [48.51396198176273]
本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。
我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。
ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
論文 参考訳（メタデータ） (2021-09-14T07:24:53Z)
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。