論文の概要: Managing Context and Communication in Distributed Agentic UAV Swarms

• arxiv url: http://arxiv.org/abs/2610.01569v1
• Date: Thu, 01 Oct 2026 12:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.112976
• Title: Managing Context and Communication in Distributed Agentic UAV Swarms
• Title（参考訳）: 分散エージェントUAVSwarmにおけるコンテキストとコミュニケーションの管理
• Abstract要約: 無人航空機(UAV)の群れは、不確実な環境で適応的なミッションレベルの推論を提供するために、言語モデルエージェントにますます依存している。 長期にわたる相互作用履歴は推論の文脈を劣化させるが、識別できない情報の拡散は通信と推論のオーバーヘッドを増大させる。 これらの課題に対処するため,イベント駆動型リアクトリ・アクティベーション・ライフサイクルを通じて,連続的なローカルSLM制御を可能にする分散UAVエージェントアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.8492672431361252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned aerial vehicle (UAV) swarms increasingly rely on language-model agents to provide adaptive mission-level reasoning in uncertain environments. Fully distributed control, in which each UAV hosts an independent Small Language Model (SLM), removes reliance on a centralized coordinator but introduces an information-management problem: long-running interaction histories can degrade the reasoning context, while indiscriminate information dissemination increases communication and inference overhead. We address these challenges with a distributed UAV-agent architecture that enables continuous local SLM control through an event-driven reason-act-observe lifecycle. Runtime knowledge is represented as structured atomic notes and organized into core, local, and peer-specific memory. A deterministic interest-aware gossip engine selectively disseminates these notes according to recipient-specific semantic novelty and recency. We evaluate the architecture using ten UAVs in a simulated search-and-rescue mission. Our approach completes all experimental runs, whereas unrestricted flooding messages completes only 70-85\%, and delegating forwarding decisions to the SLM prevents mission completion in every run. Compared with unrestricted flooding, our approach approximately halves inference-token consumption, reduces transmitted data, and achieves lower survivor-count error.
• Abstract（参考訳）: 無人航空機(UAV)の群れは、不確実な環境で適応的なミッションレベルの推論を提供するために、言語モデルエージェントにますます依存している。 各UAVが独立した小言語モデル(SLM)をホストする完全な分散制御では、中央集権コーディネータへの依存は排除されるが、情報管理の問題が発生する。 これらの課題に対処するために、イベント駆動の理由-実行-観測ライフサイクルを通じて、連続的なローカルSLM制御を可能にする、分散UAVエージェントアーキテクチャを提案する。 実行時の知識は構造化されたアトミックノートとして表現され、コア、ローカル、ピア固有のメモリに分割される。 決定論的興味認識型ゴシップエンジンは、受信者固有のセマンティックノベルティと傾向に応じてこれらの音符を選択的に拡散する。 シミュレーションされた探索救助ミッションにおいて,10個のUAVを用いてアーキテクチャを評価する。 我々の手法はすべての実験的な実行を完了しますが、制限なしの浸水メッセージは70～85パーセントしか完了せず、SLMへの転送決定は各実行におけるミッション完了を妨げます。 制限のない洪水と比較して,提案手法は推定トーケン消費をほぼ半減させ,送信データを削減するとともに,生存回数の誤差を低減させる。

関連論文リスト

• DORA: Divergence-Oriented Data-Relay Algorithm for Partially Connected Robot Teams [46.83350306562912]
  本稿では,発見のみではなく,情報の価値によるコミュニケーションをチームに提供する分散指向型データリレーアルゴリズムを提案する。 本結果から,従来の時間ベースの通信スケジューリング方式よりも最大74.8%MRT分解能が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-09-28T23:50:38Z)
• MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
  事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。 本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。 適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
  論文  参考訳（メタデータ） (2026-08-02T10:05:50Z)
• 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)
• Communication-Aware Multi-Agent Reinforcement Learning for Decentralized Cooperative UAV Deployment [5.204648436671471]
  我々は、分散実行(CTDE)を用いた集中学習の下で訓練されたグラフに基づくマルチエージェント強化学習フレームワークを提案する。 中央集権的な批評家とグローバルな国家は訓練中のみ利用可能であり、各UAVは近隣住民からのローカルな観察とメッセージを使用して共有ポリシーを実行する。 本アーキテクチャでは,ローカルエージェントの状態と周辺エンティティをエージェント・エンタテイメント・モジュールでエンコードし,距離限定通信グラフ上でUAV間メッセージを隣接する自己注意で集約する。
  論文  参考訳（メタデータ） (2026-03-17T05:48:51Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• Multi-Agent Deep Reinforcement Learning for Collaborative UAV Relay Networks under Jamming Atatcks [36.380478794869234]
  本稿では,この課題を,分散実行トレーニング(CTDE)フレームワークを用いて解決したMARL(Multi-Agent Reinforcement Learning)問題として定式化する。 提案手法はベースラインを著しく上回り,システム全体のスループットを約50%向上し,同時にほぼゼロの衝突速度を実現した。 重要な発見は、エージェントが明示的なプログラミングなしに創発的なアンチジャミング戦略を開発することである。
  論文  参考訳（メタデータ） (2025-12-09T08:11:21Z)
• Benchmarking LLMs' Swarm intelligence [51.648605206159125]
  大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。 分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。 本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
  論文  参考訳（メタデータ） (2025-05-07T12:32:01Z)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)

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。