論文の概要: AIMS: An Agentic AI Framework for Sim-to-Real Multi-Modal ISAC

• arxiv url: http://arxiv.org/abs/2609.39964v2
• Date: Thu, 01 Oct 2026 08:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.56544
• Title: AIMS: An Agentic AI Framework for Sim-to-Real Multi-Modal ISAC
• Title（参考訳）: AIMS: マルチモーダルISACのためのエージェントAIフレームワーク
• Abstract要約: マルチモーダル統合センシング通信(ISAC)は、インテリジェント無線ネットワークの環境認識と信頼性の高い接続を可能にする。 データ駆動ISACモデルは、センサーと無線観測の間で関係を学ぶために、注釈付き実世界のデータに大きく依存する。 我々は,AIMS という,シモン・トゥ・リアルマルチモーダルISAC のためのエージェント人工知能フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 39.74452561720657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-modal integrated sensing and communication (ISAC) enables environmental perception and reliable connectivity for intelligent wireless networks. Data-driven multi-modal ISAC models depend heavily on annotated real-world data to learn relationships across sensing and wireless observations, thereby constraining scalable deployment. Although synthetic data generation reduces the burden, adapting existing simulation pipelines to a target deployment requires consistent scene, sensing, wireless, and learning configurations, while mismatches among these coupled components impair sim-to-real transferability. To address the challenge, we propose an agentic artificial intelligence (AI) framework for sim-to-real multi-modal ISAC, named AIMS. Given a natural-language deployment request specifying the target task, deployment conditions, and real-data budget, AIMS derives a deployment-specific sim-to-real configuration and coordinates its execution to produce a deployment-specific task model. A two-agent architecture coordinates scene construction with task learning. A scene construction agent generates geographically grounded, synchronized sensing and wireless records from shared physical states, while a scene understanding agent configures task-relevant modalities and mixture-of-experts (MoE) learning for zero-shot inference or few-shot adaptation. Structured domain knowledge guides dependency-aware planning, while validation evidence supports feedback-driven revision of affected decisions. Experiments on the real-world DeepSense 6G dataset demonstrate improved vehicle detection and beam prediction over the considered simulation and fusion baselines. A separate orchestration benchmark evaluates task interpretation, dependency reasoning, and feedback-driven replanning across diverse deployment requests, showing improved plan correctness with structured domain knowledge and validation feedback.
• Abstract（参考訳）: マルチモーダル統合センシング通信(ISAC)は、インテリジェント無線ネットワークの環境認識と信頼性の高い接続を可能にする。 データ駆動型マルチモーダルISACモデルは、アノテートされた実世界のデータに大きく依存し、センシングと無線観測の間の関係を学習し、拡張性のあるデプロイメントを制約する。 合成データ生成は負荷を軽減するが、既存のシミュレーションパイプラインをターゲットデプロイメントに適用するには、一貫したシーン、センシング、ワイヤレス、学習構成が必要である。 この課題に対処するため,我々は,AIMS(AIMS)という,シミュレートされたマルチモーダルISACのためのエージェント人工知能(AI)フレームワークを提案する。 ターゲットタスク、デプロイメント条件、および実際のデータ予算を指定する自然言語のデプロイメント要求が与えられたとき、AIMSは、デプロイメント固有のsim-to-real設定を導出し、その実行を調整して、デプロイメント固有のタスクモデルを生成する。 2エージェントアーキテクチャは、シーン構築とタスク学習を協調する。 シーン構築エージェントは、共有物理状態から地理的に接地された同期センシングおよび無線レコードを生成し、シーン理解エージェントは、ゼロショット推論または少数ショット適応のためのタスク関連モダリティとミックス・オブ・エキスパート(MoE)学習を構成する。 構造化ドメイン知識は依存性に気付き、検証証拠は影響のある決定のフィードバック駆動の修正をサポートする。 実世界のDeepSense 6Gデータセットの実験では、考慮されたシミュレーションと核融合ベースラインによる車両の検出とビーム予測が改善された。 独立したオーケストレーションベンチマークは、さまざまなデプロイメント要求に対するタスク解釈、依存性推論、フィードバック駆動のリプランを評価し、構造化されたドメイン知識とバリデーションフィードバックによる計画の正確性を改善する。

関連論文リスト

• UniETP: Unifying Environments for Generalizable Embodied Task Planning [42.65363241295469]
  Embodied Task Planningは、エージェントが対話的な環境内で一連のアトミックアクションを実行し、ユーザが指定したタスクを完了する必要がある場合である。 UniETPは、標準化と多様性の両方で特徴付けられる。一方、すべてのシミュレータを一貫した観察と行動空間に形式化し、複雑なタスク目標をサポートするための評価システムを構築する。
  論文  参考訳（メタデータ） (2026-07-20T15:30:16Z)
• HAAS Studio: A Tool for Simulating, Benchmarking, and Governing Human-AI Work Allocation [0.0]
  HAAS Studioは、人間とAIシステム間のポリシー対応タスク割り当てのためのシミュレーションおよび意思決定支援ツールである。 ソフトウェアエンジニアリング、製造、医療の3つのドメインパックが含まれている。 リリースには16の企業プロファイルと6つのガバナンスベンチマークスイートが含まれている。
  論文  参考訳（メタデータ） (2026-05-18T22:07:02Z)
• Resource-Aware Deployment Optimization for Collaborative Intrusion Detection in Layered Networks [2.63128125113531]
  サイバー攻撃に対抗するために、CIDS(Collaborative Intrusion Detection Systems)がますます採用されている。 分散クリティカルインフラストラクチャは、民間ドメインと軍事ドメインの両方のドローンのような急速に進化する環境で運用されるため、これらの動的変化に柔軟に対応可能なCIDSアーキテクチャの必要性はますます高まっている。 多様な分散環境にまたがるデプロイを容易にするための新しいCIDSフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-12T11:42:58Z)
• A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
  本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。 提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
  論文  参考訳（メタデータ） (2026-02-11T10:02:31Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• State and Memory is All You Need for Robust and Reliable AI Agents [29.259008600842517]
  大規模言語モデル(LLM)は、自然言語の理解と生成において強力な進歩を実現している。 しかし、複雑な現実世界の科学への応用は、記憶、計画、ツール統合の課題によって制限されている。 本稿では、LLMベースのエージェントが自律的に計画し、推論し、堅牢で信頼性の高いドメイン固有タスク実行を実現することができるモジュール型エージェントフレームワークであるSciBORGを紹介する。
  論文  参考訳（メタデータ） (2025-06-30T02:02:35Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• SituationalLLM: Proactive language models with scene awareness for dynamic, contextual task guidance [13.155859243167619]
  本研究では,構造化シーン情報を大規模言語モデルに統合する新しいアプローチである PresentalLLM を提案する。 カスタムのScene Graph Languageでオブジェクト、属性、関係をエンコードすることで、AciencealLLMは環境コンテキストのギャップを積極的に識別し、ユーザインタラクション中に明確化を求める。 実験結果から、ALLLMはタスク特異性、信頼性、適応性において、ジェネリックLLMベースラインよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-06-19T07:42:48Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリッ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。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)

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。