論文の概要: Time-Optimal Ergodic Retrieval

• arxiv url: http://arxiv.org/abs/2610.21823v1
• Date: Thu, 15 Oct 2026 13:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.08684
• Title: Time-Optimal Ergodic Retrieval
• Title（参考訳）: 時間最適エルゴディック検索
• Abstract要約: 検索タスク(Retrieval task)とは、ロボットが探索し、オブジェクトを探し、できるだけ早くそれを持って帰ってくるような検索タスクである。 エルゴード制御における最近の研究は、訪問が比例する探索タスクの最適時間プランニングを実証している。 本稿では,ポアソン過程と全ミッションタイムをモデル化した最適なエルゴディック探索問題を提案する。
• 参考スコア（独自算出の注目度）: 3.5194000962809757
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Retrieval tasks are a form of search task where a robot must explore, find an object, and return with it as quickly as possible. Recent work in ergodic control has demonstrated time-optimal path planning for search tasks where visitation is proportionally matched, within some tolerance, to a given target distribution. However, these planners minimize the duration of a full deterministic search, while retrieval missions end their search at an unknown point in the trajectory and must return to a given base. In this work, we propose a new formulation of the time-optimal ergodic search problem that models detection as a Poisson process and minimizes total mission time by including the return phase in the objective. Experimental results show that time-optimal ergodic retrieval (TOER) achieves up to $19\%$ shorter mission durations relative to ergodic baselines and that this advantage grows as the return phase becomes more costly. Simulation and hardware implementations validate TOER's compatibility with environments of non-convex geometry as well as both 2D and 3D search domains.
• Abstract（参考訳）: 検索タスク(Retrieval task)は、ロボットが探索し、オブジェクトを見つけ、できるだけ早くそれを返すための検索タスクの一種である。 エルゴード制御における最近の研究は、ある許容範囲内で、特定の目標分布に対して、訪問が比例する探索タスクの時間最適経路計画を実証している。 しかし、これらのプランナーは完全な決定論的探索の期間を最小化し、探索ミッションは軌道の未知の地点で探索を終了し、与えられた基地に戻る必要がある。 本研究では、ポアソン過程として検出をモデル化し、目的に返却フェーズを含めることで全ミッション時間を最小化する、時間最適エルゴード探索問題の新たな定式化を提案する。 実験結果から, 時間最適エルゴディック検索(TOER)は, エルゴディックベースラインと比較して, 最大で19 %の短いミッション期間を達成でき, 返却フェーズがより高価になるにつれて, この優位性は増大することがわかった。 シミュレーションとハードウェアの実装により、TOERは2Dと3Dの検索領域だけでなく、非凸幾何学の環境との互換性が検証される。

関連論文リスト

• MeshSIPP: Efficient Lattice Planning in Dynamic Environment [1.5039745292757674]
  MeshSIPPは、多くのプリミティブが同じ領域にあるという事実を利用して計算ボトルネックを誘発する効率的なプランナーである。 6,000以上のベンチマークインスタンスとリアルタイムROS2シミュレーションによる大規模な実験により、MeshSIPPは最先端の時間プランナよりも3$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-10-07T08:24:28Z)
• DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning [58.09293442211248]
  Deep Research(DR)は、複雑でオープンな研究課題に取り組むための新しいエージェントパラダイムとして登場した。 本稿では,Qianfan Agent Foundry上に構築されたマルチエージェントDRフレームワークであるDuMate-DeepResearchを紹介する。
  論文  参考訳（メタデータ） (2026-06-05T14:10:48Z)
• RPT*: Global Planning with Probabilistic Terminals for Target Search in Complex Environments [24.363288778774404]
  本稿では,HPP-PT(Probabilistic Terminals)を用いた変種HPPについて検討する。 HPP-PTは対象物探索において発生し、移動ロボットは対象物を見つけるためにすべての候補地を訪れなければならない。 我々は,新しい状態空間における動的プログラミングを活用して,履歴依存やノベルをバイパスし,計算速度を向上する解の最適性保証を備えた検索ベースアプローチRTT*を提案する。
  論文  参考訳（メタデータ） (2026-01-19T03:55:35Z)
• ETS: Efficient Tree Search for Inference-Time Scaling [61.553681244572914]
  テストタイムの計算スケーリングにおいて有望なアプローチのひとつは、プロセス報酬モデルに対する検索である。 木探索過程における軌跡の多様性は、多様性の増大がさらなる探索を促進するため、探索の精度に影響を与える。 本稿では,冗長なトラジェクトリを抽出し,必要な多様なトラジェクトリを維持しながら,KVの共有を促進する効率的なツリー探索(ETS)を提案する。
  論文  参考訳（メタデータ） (2025-02-19T09:30:38Z)
• Heuristic-free Optimization of Force-Controlled Robot Search Strategies in Stochastic Environments [13.622757453459748]
  比較的単純なペグ・イン・ホールのタスクであっても、通常、穴のような関連する特徴を見つけるために探索動作を必要とする。 本稿では,検索戦略を最適化するための自動,データ駆動型,条件付フリーな手法を提案する。 我々は、THT電子部品のスパイラルとプローブ探索の文脈において、2つの異なる産業用ロボットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-07-15T15:16:08Z)
• Early Recall, Late Precision: Multi-Robot Semantic Object Mapping under Operational Constraints in Perceptually-Degraded Environments [47.917640567924174]
  本稿では,この問題を解決するためにEarly Recall, Late Precision (EaRLaP)意味オブジェクトマッピングパイプラインを提案する。 EaRLaPはDARPA Subterranean ChallengeでTeam CoSTARによって使用された。 各種データセット上でのEaRLaPの結果と性能について論じる。
  論文  参考訳（メタデータ） (2022-06-21T01:11:42Z)
• Neural Architecture Search From Fr\'echet Task Distance [50.9995960884133]
  与えられたベースラインタスクのセット内の対象タスクと各タスクの間の距離を、ターゲットタスクのニューラルネットワークアーキテクチャ検索スペースを減らすためにどのように使用できるかを示す。 タスク固有のアーキテクチャに対する検索空間の複雑さの低減は、このサイド情報を用いることなく完全な検索を行う代わりに、類似したタスクのために最適化されたアーキテクチャ上に構築することで達成される。
  論文  参考訳（メタデータ） (2021-03-23T20:43:31Z)
• Loss Function Discovery for Object Detection via Convergence-Simulation Driven Search [101.73248560009124]
  本稿では,効率的な収束シミュレーションによる進化的探索アルゴリズムCSE-Autolossを提案する。 一般的な検出器上での損失関数探索の広範囲な評価を行い、探索された損失の優れた一般化能力を検証した。 実験の結果, 2段検出器と1段検出器のmAPでは, 最適損失関数の組み合わせが1.1%と0.8%を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-09T08:34:52Z)
• Expedited Multi-Target Search with Guaranteed Performance via Multi-fidelity Gaussian Processes [9.434133337939496]
  本研究では,自動運転車が3次元環境下で動作し,環境の2次元フロア上で未知の静止目標を探索するシナリオを考察する。 床面から異なる高度で利用可能なセンシング情報を体系的に記述する多要素ガウス法を用いて、センシング場をモデル化する。 センサモデルに基づいて,マルチターゲット探索 (EMTS) と呼ばれる新しいアルゴリズムを設計し,その適用範囲と精度のトレードオフに対処する。
  論文  参考訳（メタデータ） (2020-05-18T02:53:52Z)

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。