論文の概要: Quantum-Assisted Optimization Guided by Machine-Learned Risk Maps for Aerial Surveillance Routing

• arxiv url: http://arxiv.org/abs/2610.03890v1
• Date: Fri, 02 Oct 2026 18:06:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:32:49.347071
• Title: Quantum-Assisted Optimization Guided by Machine-Learned Risk Maps for Aerial Surveillance Routing
• Title（参考訳）: 空中サーベイランスルーティングのための機械学習型リスクマップによる量子支援最適化
• Abstract要約: 本稿では,特定の監視基準に最適なツアーの組み合わせを見出すための,革新的な枠組みを提案する。 機械学習によって生成されたリスクマップは、監視ツアーを見つけるために使用され、量子アシストが最適な組み合わせを選択する。 我々はこの枠組みを山火事防止に応用し、発火を検知する可能性が最も高いツアーを見つけることは明らかな利益をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog quantum computing with neutral atom computers is rapidly evolving into a promising way to perform combinatorial optimization tasks at scale. As technology matures, exploring real use cases leveraging such unique information processors becomes warranted; one example is logistics management where vehicles are assigned routes to perform a given task. Autonomous aerial vehicles (drones) are increasingly used for surveillance over a given territory. In this paper, we propose an innovative framework integrating classical machine learning forecasts and quantum annealing to find the best combination of tours for a given surveillance criterion. The risk maps produced by machine learning are used to find possible surveillance tours, while a quantum-assisted heuristic chooses the best combination, producing a full surveillance plan. By modelling our decision problem for drone paths as a Team Orienteering Problem (TOP) with additional constraints, we construct a new heuristic using quantum annealing to find good solutions. We apply this framework to wildfire prevention, where finding tours most likely to detect a starting fire has clear benefits. We study the effect of larger quantum resources on heuristic performance and compare those results to the use of classical resources.
• Abstract（参考訳）: 中性原子コンピュータによるアナログ量子コンピューティングは、大規模に組合せ最適化タスクを実行するための有望な方法へと急速に進化している。 技術が成熟するにつれて、そのようなユニークな情報プロセッサを活用する実際のユースケースの探索が保証されるようになり、ひとつの例は、与えられたタスクを実行するために車両に割り当てられたルートが割り当てられた物流管理である。 自律型航空車両(ドローン)は、特定の領域の監視にますます利用されている。 本稿では,古典的機械学習予測と量子アニーリングを統合した革新的なフレームワークを提案する。 機械学習によって生成されたリスクマップは、監視ツアーを見つけるために使用され、量子支援ヒューリスティックは最適な組み合わせを選択し、完全な監視計画を生成する。 ドローン経路の決定問題を、追加の制約でチームオリエンテーリング問題(TOP)としてモデル化することにより、量子アニールを用いた新たなヒューリスティックを構築し、優れた解を求める。 我々はこの枠組みを山火事防止に応用し、発火を検知する可能性が最も高いツアーを見つけることは明らかな利益をもたらす。 より大規模な量子資源がヒューリスティックな性能に与える影響について検討し、それらの結果を古典的な資源の使用と比較する。

関連論文リスト

• 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)
• QUAV: Quantum-Assisted Path Planning and Optimization for UAV Navigation with Obstacle Avoidance [2.048164304914359]
  本研究は量子近似最適化アルゴリズム(QAOA)に基づく量子支援型UAV経路計画フレームワークであるQUIVを紹介する。 理論解析により, QuaV は最適化条件の下で, エッジ数に対する回路深さの線形スケーリングを実現することを示した。 その結果、QUIVは実現可能で効率的な軌道を生成し、将来のドローンナビゲーションシステムにおける量子アプローチの可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-08-29T06:59:21Z)
• Neural Network Verification for Gliding Drone Control: A Case Study [0.903415485511869]
  ニューラル・ネットワーク・コントローラを用いたOsmitraにインスパイアされたドローンの検証のための新しいケーススタディを提案する。 既存のVNNとARCHの競合ベンチマークとは大きく異なることを示す。 本稿では,回帰ネットワークのロバストトレーニングのための新しい手法を提案し,このケーススタディの車両およびCORAでの形式化について検討する。
  論文  参考訳（メタデータ） (2025-05-01T16:03:38Z)
• Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
  本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。 コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。 また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
  論文  参考訳（メタデータ） (2024-02-20T23:59:45Z)
• Multi-agent Path Finding for Cooperative Autonomous Driving [8.8305853192334]
  我々は,既存のアルゴリズムを著しく上回る最適かつ完全なアルゴリズムであるオーダーベース検索をKinematics Arrival Time Scheduling (OBS-KATS) により考案した。 当社の作業は、同じようなスケールのトラフィックや、有向車線を備えたマルチロボットシナリオに直接適用可能です。
  論文  参考訳（メタデータ） (2024-02-01T04:39:15Z)
• Mission-driven Exploration for Accelerated Deep Reinforcement Learning with Temporal Logic Task Specifications [11.010530034121224]
  本稿では,学習速度を大幅に向上させる新しいQ-ラーニングアルゴリズムを提案する。 サンプル効率の向上は、ミッションが成功に寄与する可能性のある方向への探索を優先する、ミッション駆動の探査戦略に由来する。
  論文  参考訳（メタデータ） (2023-11-28T18:59:58Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Travel time optimization on multi-AGV routing by reverse annealing [0.966840768820136]
  本稿では,旅行時間を最小限に抑えるため,旅行経路を制御するための定式化を提案する。 仮想プラントにおけるシミュレーションによる定式化を検証し,より高速な配電の有効性を検証した。 本研究は,マルチAGVシステムの適用において,一般問題解決器による最適化の利用を拡大する。
  論文  参考訳（メタデータ） (2022-04-25T17:01:56Z)
• Estimating the Robustness of Public Transport Systems Using Machine Learning [62.997667081978825]
  公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。 乗客の観点からの堅牢性の統合により、作業はさらに困難になる。 本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T05:52:56Z)
• Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
  UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。 エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。 UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
  論文  参考訳（メタデータ） (2021-03-03T20:54:19Z)

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。