論文の概要: UAV-SwarmAgent: Scalable Multi-UAV Reconnaissance and Task Allocation via Code Generation and Vision-Language Reasoning
- arxiv url: http://arxiv.org/abs/2610.32559v1
- Date: Fri, 23 Oct 2026 12:41:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.515563
- Title: UAV-SwarmAgent: Scalable Multi-UAV Reconnaissance and Task Allocation via Code Generation and Vision-Language Reasoning
- Title（参考訳）: UAV-SwarmAgent: コード生成とビジョンランゲージ推論によるスケーラブルなマルチUAV偵察とタスク割り当て
- Abstract要約: 本稿では,UAV SwarmAgentという階層型マルチエージェントシステムについて述べる。
エージェントは、視覚言語モデルで航空地図上の検査対象を接地し、ルート長のバランスをとることで、それらをNUAVに分割し、インシデントを検証する作業員を派遣する。
4つのインシデントタイプと3つのファンデーションモデルに対するシミュレーションでは、Swarmは255回のミッション(95.7%)のうち244回にインシデントを配置した。
- 参考スコア（独自算出の注目度）: 1.9182058480922208
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Supervising a multi-UAV reconnaissance mission usually means plotting waypoints and watching every drone. We present UAV SwarmAgent, a hierarchical multi-agent system in which an operator states the mission in one natural-language sentence and a ground-station agent writes and executes code that turns it into per-UAV routes. The agent grounds inspection targets in an aerial map with a vision-language model, splits them among N UAVs by balancing route length, and dispatches worker agents that verify incidents with a compact onboard decision model. In simulation over 4 incident types and 3 foundation models, the swarm located the incident in 244 of 255 missions (95.7%). A paired scaling study with one to 5 UAVs shows that flight time follows an Amdahl-type law. The second UAV delivers half of the attainable saving and the speedup is bounded at 1.52x. We discuss what this predictability, and the false alarms we observed, imply for an operator who supervises the swarm, and outline the user study needed to test it.
- Abstract（参考訳）: マルチUAV偵察任務を監督することは、通常、すべてのドローンの進路を計画し、監視することを意味する。
UAV SwarmAgentは1つの自然言語文でミッションを記述し、地上局エージェントがそれをUAVルート毎に書き、実行する階層型マルチエージェントシステムである。
エージェントは、視覚言語モデルで航空地図に検査対象を接地し、経路長のバランスをとることにより、NUAVに分割し、小型のオンボード決定モデルでインシデントを検証する作業員を派遣する。
4つのインシデントタイプと3つのファンデーションモデルに対するシミュレーションでは、Swarmは255回のミッション(95.7%)のうち244回にインシデントを配置した。
1から5機のUAVと組み合わせたスケーリング調査では、飛行時間はアムダール型の法則に従っていることが示された。
第2のUAVは達成可能な貯蓄の半分を供給し、スピードアップは1.22倍に制限される。
我々は、この予測可能性と、我々が観察した誤報について論じる。これは、Swarmを監督するオペレーターにとって意味があり、それをテストするのに必要なユーザースタディの概要を示す。
関連論文リスト
- Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。
統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
論文 参考訳（メタデータ） (2026-05-26T18:52:04Z) - How Far are Modern Trackers from UAV-Anti-UAV? A Million-Scale Benchmark and New Baseline [74.4054700050366]
無人航空機(UAV)は広範囲のアプリケーションを提供するが、安全性とプライバシー侵害のリスクも大きい。
現在の反UAV研究は、主に固定地上カメラで撮影したRGB、赤外線(IR)、またはRGB-IRビデオに焦点を当てている。
本稿では,UAV-Anti-UAVと呼ばれるマルチモーダル視覚追跡タスクを提案する。
論文 参考訳（メタデータ） (2025-12-08T10:19:54Z) - UAV-CodeAgents: Scalable UAV Mission Planning via Multi-Agent ReAct and Vision-Language Reasoning [2.0094541584885426]
自律型UAVミッション生成のためのスケーラブルなマルチエージェントフレームワークであるUAV-CodeAgentsを提案する。
コアコンポーネントは、空の地図上のセマンティックターゲットの正確な位置決めを可能にする、視覚的に座屈したピクセルポインティング機構である。
より低い復号温度(0.5)は、平均ミッション作成時間96.96秒、成功率93%で、高い計画信頼性と実行時間の短縮をもたらすことを示す。
論文 参考訳（メタデータ） (2025-05-12T05:23:51Z) - EVD4UAV: An Altitude-Sensitive Benchmark to Evade Vehicle Detection in UAV [19.07281015014683]
無人航空機(UAV)の撮影画像における車両検出は、航空写真やリモートセンシングに広く応用されている。
近年の研究では、物体に対向パッチを加えることで、よく訓練されたディープニューラルネットワークベースの物体検出器を騙すことが示されている。
UAVにおける車両検出を回避するための高度感度ベンチマークとしてEVD4UAVという新しいデータセットを提案する。
論文 参考訳（メタデータ） (2024-03-08T16:19:39Z) - Evidential Detection and Tracking Collaboration: New Problem, Benchmark
and Algorithm for Robust Anti-UAV System [56.51247807483176]
無人航空機(UAV)は輸送、監視、軍事など多くの地域で広く使われている。
従来は、UAVの先行情報が常に提供されていた追跡問題として、このようなアンチUAVタスクを単純化していた。
本稿では,従来のUAV情報を含まない複雑な場面において,UAVの認識を特徴とする新しい実用的対UAV問題を初めて定式化する。
論文 参考訳（メタデータ） (2023-06-27T19:30:23Z) - A Multi-UAV System for Exploration and Target Finding in Cluttered and
GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。
UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。
その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文 参考訳（メタデータ） (2021-07-19T12:54:04Z) - UAV-ReID: A Benchmark on Unmanned Aerial Vehicle Re-identification [21.48667873335246]
近年のディープラーニング開発により、視覚ベースの対UAVシステムは単一のカメラでUAVを検出し、追跡することができる。
単一のカメラのカバー範囲は限られており、カメラ間のUAVにマッチするマルチカメラ構成が必要である。
我々は,この新興地域での機械学習ソリューションの開発を容易にする,UAV-reIDという新しいUAV再識別データセットを提案する。
論文 参考訳（メタデータ） (2021-04-13T14:13:09Z) - Anti-UAV: A Large Multi-Modal Benchmark for UAV Tracking [59.06167734555191]
Unmanned Aerial Vehicle (UAV)は、商業とレクリエーションの両方に多くの応用を提供している。
我々は、UAVを追跡し、位置や軌道などの豊富な情報を提供するという課題を考察する。
300以上のビデオペアが580k以上の手動で注釈付きバウンディングボックスを含むデータセット、Anti-UAVを提案します。
論文 参考訳（メタデータ） (2021-01-21T07:00:15Z)
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。