論文の概要: Brittle by Design? Multi-Scenario Reinforcement Learning for Robust Mission Coordination in Systems of Systems

• arxiv url: http://arxiv.org/abs/2610.28818v1
• Date: Tue, 20 Oct 2026 18:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.123774
• Title: Brittle by Design? Multi-Scenario Reinforcement Learning for Robust Mission Coordination in Systems of Systems
• Title（参考訳）: システムシステムにおけるロバストミッションコーディネーションのためのマルチシナリオ強化学習
• Abstract要約: ミッション環境は不確実で動的であり、ミッションアセットがそれらとどのように相互作用するかに依存する。 本稿では,高忠実度デジタルミッションモデルと強化学習(Reinforcement Learning, RL)を統合したインテリジェントなミッションコーディネート手法を提案する。
• 参考スコア（独自算出の注目度）: 1.0832844764942349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As systems engineering (SE) shifts from monolithic systems to Systems of Systems, Mission Engineering (ME) has emerged as a new line of thinking in SE. Mission environments are uncertain and dynamic, and outcomes depend on how mission assets interact with them, rendering static architectures brittle and calling for flexible yet analytically rigorous ME approaches. We propose an intelligent mission coordination methodology integrating high-fidelity digital mission models with Reinforcement Learning (RL) for adaptive task allocation. Using a Digital Engineering (DE) infrastructure comprising a digital mission model and agent-based simulation, we formulate mission tactics management as a Markov Decision Process and train an RL coordinator with Proximal Policy Optimization to map mission states to tactical actions from realized outcomes. An aerial firefighting mission with three scenarios demonstrates the approach. First, all trained coordinators significantly outperform random and heuristic baselines. Second, single-scenario coordinators can be brittle: the coordinator trained on the more forgiving scenario degrades to random tactics performance in more demanding scenarios, whereas the demanding-scenario coordinator retains most of its advantage when transferred. Third, within the same training budget, a coordinator trained on both scenarios concurrently matches the scenario-specific coordinators in their own scenarios and significantly outperforms every other policy. Sensitivity analyses on ignition location, weather, scenario, and training curricula show that the variability represented during training shapes post-deployment performance. This proof of concept shows DE-enabled mission simulations combined with RL offer a reusable methodology for improving ME practice, which can be extended to fleet design and selection from a mission-first perspective.
• Abstract（参考訳）: システムエンジニアリング(SE)がモノリシックシステムからシステムシステムへと移行するにつれ、ミッションエンジニアリング(ME)はSEにおける新しい考え方のラインとして現れました。 ミッション環境は不確実で動的であり、結果としてミッションアセットがそれらとどのように相互作用するかに依存します。 本稿では,高忠実度デジタルミッションモデルと強化学習(Reinforcement Learning, RL)を統合したインテリジェントなミッションコーディネート手法を提案する。 デジタル・ミッション・モデルとエージェント・ベース・シミュレーションを組み合わせたデジタル・エンジニアリング(DE)のインフラを用いて,ミッション・ストラテジー・マネジメントをマルコフ決定プロセスとして定式化し,RLコーディネータを近似ポリシー最適化で訓練し,ミッション・ステートを実際の結果から戦術行動にマッピングする。 3つのシナリオを持つ空中消火ミッションは、アプローチを示しています。 まず、訓練されたコーディネータはランダムベースラインとヒューリスティックベースラインを大きく上回る。 第二に、単一scenarioコーディネータは不安定であり、より強制的なシナリオで訓練されたコーディネータは、より要求の多いシナリオでランダムな戦術性能に低下する。 第3に、同じトレーニング予算内で、両方のシナリオでトレーニングされたコーディネータは、シナリオ固有のコーディネータと、それぞれのシナリオで同時に一致し、他のすべてのポリシよりも大幅に優れています。 着火位置, 天候, シナリオ, 訓練カリキュラムの感度分析により, 訓練形態の変動は, 着火後の性能を示すことが示された。 この概念の証明は、DECとRLが組み合わさったミッションシミュレーションが、MEプラクティスを改善するための再利用可能な方法論を提供することを示している。

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)
• CoEnv: Driving Embodied Multi-Agent Collaboration via Compositional Environment [54.84167973913561]
  CoEnvは、安全な戦略探索のためにシミュレーションを活用するフレームワークであり、信頼性の高い現実世界のデプロイメントを保証する。 CoEnvは、物理的なワークスペースをデジタル化するリアル・ツー・シムのシーン再構築、コードベースの軌道生成によるリアルタイム計画と安全な配置のための衝突検出によるシム・トゥ・リアル転送の両方をサポートするVLM駆動のアクション合成という3つの段階を経験している。
  論文  参考訳（メタデータ） (2026-04-07T06:24:41Z)
• AC-MASAC: An Attentive Curriculum Learning Framework for Heterogeneous UAV Swarm Coordination [6.149520384858423]
  本稿では,マルチエージェント強化学習(MARL)のための注意型カリキュラム学習フレームワーク(AC-MASAC)を提案する。 このフレームワークは、非対称な依存関係を明示的にモデル化するロールアウェアな異種注意機構を導入している。 構造化カリキュラム戦略を設計し、階層的な知識伝達と段階的な経験のリプレイを統合して、スパース報酬や破滅的な忘れ事の問題に対処する。
  論文  参考訳（メタデータ） (2026-02-12T09:03:34Z)
• Leveraging High-Fidelity Digital Models and Reinforcement Learning for Mission Engineering: A Case Study of Aerial Firefighting Under Perfect Information [1.0832844764942349]
  ミッション環境は不確実であり、動的であり、ミッションの成果は、ミッション資産がこの環境とどのように相互作用するかの直接的な機能である。 本稿では、デジタルミッションモデルと強化学習(RL)を統合したインテリジェントなミッションコーディネート手法を提案する。
  論文  参考訳（メタデータ） (2025-12-23T18:36:07Z)
• CoordField: Coordination Field for Agentic UAV Task Allocation In Low-altitude Urban Scenarios [18.95579655633218]
  CoordFieldは、複雑な都市シナリオにおける異種ドローン群をコーディネートするための調整フィールドエージェントシステムである。 LLMは、高レベルの人間の命令を解釈し、それをUAVスワムの実行可能なコマンドに変換する役割を担っている。 UAV動作とタスク選択を誘導するコーディネーションフィールド機構を提案し,創発的タスクの分散および適応的アロケーションを可能にする。
  論文  参考訳（メタデータ） (2025-04-30T18:02:45Z)
• Deciphering Cross-Modal Alignment in Large Vision-Language Models with Modality Integration Rate [118.37653302885607]
  本稿では,LVLM(Large Vision Language Models)のマルチモーダル事前学習品質を示すために,MIR(Modality Integration Rate)を提案する。 MIRは、トレーニングデータ選択、トレーニング戦略スケジュール、モデルアーキテクチャ設計に重点を置いて、トレーニング前の結果を改善する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:04Z)
• Scenic4RL: Programmatic Modeling and Generation of Reinforcement Learning Environments [89.04823188871906]
  リアルタイム戦略(RTS)環境では,多様な現実シナリオの生成が難しい。 既存のシミュレータのほとんどは環境をランダムに生成することに頼っている。 我々は、研究者を支援するために、既存の形式シナリオ仕様言語であるSCENICを採用する利点を紹介する。
  論文  参考訳（メタデータ） (2021-06-18T21:49:46Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。