論文の概要: A Joint LLM and Optimization Agent Solution for Drone Scheduling in Victim Search Missions
- arxiv url: http://arxiv.org/abs/2611.16524v1
- Date: Thu, 12 Nov 2026 09:20:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.412573
- Title: A Joint LLM and Optimization Agent Solution for Drone Scheduling in Victim Search Missions
- Title(参考訳): 積極的探索ミッションにおけるドローンスケジューリングのための共同LLMと最適化エージェントソリューション
- Abstract要約: 本研究では,荒野における被害者探索のためのエージェント支援型ドローンスケジューリングシステムを提案する。
このシステムは地上管制局にエージェントを使用し、連続した探索サイクルで複数のドローンを協調させる。
シミュレーションの結果,提案システムは継続的に被害者探索ミッションを完了していることがわかった。
- 参考スコア(独自算出の注目度): 13.319465981740157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Victim search in wilderness areas is time-critical. Drones enable rapid area search, but scheduling them is challenging because victims may continue moving, detection results are uncertain, and effective decisions must combine structured mission information with unstructured contextual clues and domain knowledge. To address this, we propose an agent-aided drone scheduling system. The system employs an agent at the ground control station (GCS) to coordinate multiple drones over successive search cycles. In each cycle, the agent applies a scheduling policy that combines a large language model (LLM) for reasoning about where to search with an optimizer for determining how to dispatch the drones under energy constraints. Simulation results show that the proposed system consistently completes the victim-search mission, whereas none of the six non-LLM baselines does so and direct LLM scheduling is considerably less reliable. The source code is publicly available at https://github.com/1643204431/llm-uav-victim-search.
- Abstract(参考訳): 荒野での被害者の捜索は時間的に欠かせない。
ドローンは迅速な地域探索を可能にするが、被害者が動き続ける可能性があり、検出結果が不確実であり、効果的な決定は構造化されたミッション情報と非構造化された文脈的手がかりとドメイン知識を組み合わせる必要があるため、それらをスケジューリングすることは困難である。
そこで本研究では,エージェント支援型ドローンスケジューリングシステムを提案する。
このシステムは、地上管制局(GCS)にエージェントを使用し、連続した探索サイクルを通じて複数のドローンを調整する。
各サイクルにおいて、エージェントは大規模な言語モデル(LLM)を組み合わせるスケジューリングポリシーを適用し、エネルギー制約下でのドローンの送出方法を決定する最適化器をどこで検索するかを推論する。
シミュレーションの結果,提案方式は連続的に被害者探索ミッションを完了しているのに対し,LLM以外の6つのベースラインはいずれも実行せず,直接LLMスケジューリングは信頼性が低いことがわかった。
ソースコードはhttps://github.com/1643204431/llm-uav-victim-searchで公開されている。
関連論文リスト
- Large Language Model Explainability for Planning Lunar Rover Trajectories under Uncertainty [18.85282159558557]
確率的不確実性の下で惑星ローバー軌道を計画することは多目的最適化問題である。
我々のフレームワークは、NASAのVolatiles Investigationigating Polar Exploration Rover(VIPER)ミッションにインスパイアされたシミュレータと、ReActクエリ可能なインターフェースをペアリングする。
実験では、アシスタントの応答の90.9%がプランナーの出力に忠実であることが示されている。
論文 参考訳(メタデータ) (2026-11-09T22:01:15Z) - To Search or Not to Search: Aligning the Decision Boundary of Deep Search Agents via Causal Intervention [61.82680155643223]
我々は,不整合決定境界の根本原因を同定し,蓄積した情報が回答するのに十分であるかどうかをしきい値に判定する。
これにより、過剰探索(十分な知識にもかかわらず冗長探索)と過度探索(早期終了)が誤った答えをもたらす。
まず,境界誤差を識別する因果的介入に基づく診断手法を提案する。
第2に,Deep Search Agent(DAS)のための決定境界アライメントを開発する。
我々のDAS法はこれらの境界を効果的に校正し、オーバーサーチとアンダーサーチの両方を緩和し、精度と効率を大幅に向上させる。
論文 参考訳(メタデータ) (2026-02-03T09:29:06Z) - Cooperative Search and Track of Rogue Drones using Multiagent Reinforcement Learning [8.775925011558995]
本研究は、機密性の高いインフラ施設をターゲットにしたローグドローンを迎撃する問題を考察する。
ローグドローンを確実に検出・追跡・中和できる総合システムを提案する。
論文 参考訳(メタデータ) (2025-01-07T16:22:51Z) - Deep Reinforcement Learning for Time-Critical Wilderness Search And Rescue Using Drones [0.294944680995069]
本稿では,自然環境におけるドローンの効率的な探索ミッション構築のための深層強化学習の活用について検討する。
実験の結果,従来のカバレッジ計画や探索計画アルゴリズムと比較して,検索時間の大幅な改善が得られた。
論文 参考訳(メタデータ) (2024-05-21T13:51:47Z) - Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。
具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。
また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
論文 参考訳(メタデータ) (2023-07-25T12:33:53Z) - A Search and Detection Autonomous Drone System: from Design to
Implementation [7.760962597460447]
ターゲットを見つけるのに要する時間の観点からの探索効率は、山火事の検出に不可欠である。
経路計画と目標検出という2つのアルゴリズムが提案されている。
その結果,提案アルゴリズムはミッションの平均時間を大幅に短縮することがわかった。
論文 参考訳(メタデータ) (2022-11-29T01:44:29Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳(メタデータ) (2021-11-17T21:48:31Z) - Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense
Forest Canopy [48.51396198176273]
本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。
我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。
ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
論文 参考訳(メタデータ) (2021-09-14T07:24:53Z) - 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) - Asynchronous Multi Agent Active Search [6.587280549237275]
SPATS (Sparse Parallel Asynchronous Thompson Smpling) とLATSI (Laplace Thompson Smpling with Information gain) という2つの異なる能動探索アルゴリズムを提案する。
ターゲットは、圧縮的な検知仮定に従って、環境の周囲にわずかに配置されているとみなす。
提案アルゴリズムの有効性を実証するために,シミュレーション結果と理論的解析結果を提供する。
論文 参考訳(メタデータ) (2020-06-25T22:17:20Z) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳(メタデータ) (2020-05-27T01:10:41Z)
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。