論文の概要: Closed-Loop Adaptive Sampling on a Generative Ocean Model
- arxiv url: http://arxiv.org/abs/2611.05776v1
- Date: Wed, 04 Nov 2026 00:29:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.909757
- Title: Closed-Loop Adaptive Sampling on a Generative Ocean Model
- Title(参考訳): 生成海洋モデルに基づくクローズドループ適応サンプリング
- Abstract要約: 最近の学習された生成海洋モデルは、従来の数値モデルよりも計算コストがかなり低い高解像度の予測とアンサンブルを生成することができる。
我々は,予測,不確実性推定,計画,測定同化に単一学習モデルを用いたマルチロボットクローズドループ適応サンプリングフレームワークを開発した。
- 参考スコア(独自算出の注目度): 1.750339880738083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive sampling can substantially improve the value of sparse ocean observations by directing mobile robots toward measurements that are most informative for an evolving environment. Recent learned generative ocean models can produce high-resolution forecasts and ensembles at substantially lower computational cost than traditional numerical models, creating an opportunity to use rich predictive forecasts directly in closed-loop robotic sampling. However, these models do not natively provide the explicit uncertainty representations assumed by classical informative-planning methods, and their forecasts often evolve in learned latent spaces rather than directly in physical ocean variables. We develop a multi-robot closed-loop adaptive sampling framework that uses a single learned generative model for forecasting, uncertainty estimation, planning, and measurement assimilation. The model forecasts an ensemble in latent space, decodes it to physical ocean states, and uses ensemble statistics to construct A- or D-optimal sampling objectives. We select sampling locations subject to robot reachability under predicted currents. The collected measurements are assimilated back into the latent state using observation-conditioned diffusion sampling. Across 120 test scenarios A- and D-optimal sampling generally outperforms static, random, and systematic-coverage baselines while adding little planning overhead. Our experiments uncover several scenarios in which model uncertainty diverges from forecast error, motivating future work in uncertainty quantification.
- Abstract(参考訳): 適応サンプリングは、進化する環境にとって最も有益である測定に向けて移動ロボットを誘導することにより、スパース海洋観測の価値を大幅に向上させることができる。
最近の学習された生成海洋モデルは、従来の数値モデルよりもかなり低い計算コストで高解像度の予測とアンサンブルを生成でき、クローズドループロボットサンプリングで直接リッチな予測を使うことができる。
しかし、これらのモデルは、古典的な情報計画法によって仮定される明確な不確実性表現をネイティブに提供せず、それらの予測は、物理的海洋変数を直接ではなく、学習された潜在空間で進化することが多い。
我々は,予測,不確実性推定,計画,測定同化に単一学習モデルを用いたマルチロボットクローズドループ適応サンプリングフレームワークを開発した。
このモデルは、潜伏空間におけるアンサンブルを予測し、それを物理的海洋状態にデコードし、アンサンブル統計を用いて、A-またはD-最適サンプリング目的を構築する。
予測電流下でロボットの到達性を考慮したサンプリング位置を選択する。
得られた測定結果は、観測条件付き拡散サンプリングを用いて潜時状態に同化される。
120のテストシナリオ中、AとDの最適サンプリングは、通常、静的、ランダム、システマティックなカバレッジベースラインよりも優れ、計画上のオーバーヘッドはほとんどない。
本研究では,モデルの不確実性が予測誤差から分岐し,不確実性定量化における今後の研究を動機付けるいくつかのシナリオを明らかにする。
関連論文リスト
- Manifold Constrained Conformal Prediction for Spatial Events [0.9558392439655014]
キャリブレーションされた空間イベントの集合上で予測セットを構築するための新しいコンフォメーション予測手法を提案する。
我々のアプローチは、空間点雲を経験的測度として表現することで、(スライスされた)ワッサーシュタイン距離を用いてそれらをスコアできる。
交差集合の被覆境界を低くし、実際にこのギャップを小さくすることができることを示す。
論文 参考訳(メタデータ) (2026-07-10T22:10:12Z) - Sampling sea state using a diffusion model [28.05527563772365]
海の状態予測は、海洋の運用と地球系の結合モデルに不可欠である。
現在のスペクトル波モデルは、多くのユースケースで計算的に禁止されている。
本研究では,大域海況推定のための拡散モデルを提案する。
論文 参考訳(メタデータ) (2026-06-24T21:19:59Z) - Into the Unknown: Towards using Generative Models for Sampling Priors of Environment Uncertainty for Planning in Configuration Spaces [28.37021202108478]
事前は部分的な可観測性の下での計画には不可欠だが、実際は入手が困難である。
本稿では, 大規模事前学習モデルを用いて, ゼロショット方式で事前生成を行う確率論的パイプラインを提案する。
我々は、ロボットが観測されていない対象物にナビゲートする必要がある戸口を通して部分的に見える部屋のMatterport3Dベンチマークを構築した。
論文 参考訳(メタデータ) (2025-10-13T05:08:48Z) - Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。
本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
論文 参考訳(メタデータ) (2025-08-18T21:14:07Z) - Joint Source-Environment Adaptation of Data-Driven Underwater Acoustic Source Ranging Based on Model Uncertainty [4.68725358778892]
事前訓練されたディープラーニングモデルを新しい未知の環境に適用することは、水中の音像定位において大きな課題である。
事前学習したモデルの性能は、トレーニングデータとテストデータのミスマッチに悩まされているが、一般的に、ミスマッチがより多い環境では、高い不確実性を示す。
本研究では,不確実なサンプルのラベル付けを改善するために,特定のサンプルを用いて新しい環境にモデルを適応させる手法を実装した。
論文 参考訳(メタデータ) (2025-03-30T00:00:17Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳(メタデータ) (2024-09-14T07:44:22Z) - Predictive Churn with the Set of Good Models [61.00058053669447]
本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。
予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。
2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z)
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。