不確実性下でのアクティブターゲット探索を高速に近似するニューラルネットワーク

arXiv cs.LG / 2026/4/27

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、測定の不確実性がある状況で、移動エージェントが未知の数の静止ターゲットを未知の位置から探索する問題を扱います。
ターゲットに関する確率仮説密度（PHD）フィルタを用いて、測定不確実性下でのターゲット期待数を推定します。
Active Search（AS）やその間欠版（ASI）の意思決定を、オンライン最適化のコストを下げるため畳み込みニューラルネットワークで近似する手法を提案しています。
ターゲット信念、エージェント位置、訪問履歴、境界情報を多チャネルのグリッドで符号化して学習し、シミュレーションではAS/ASIと同等の検出率を保ちながら計算を桁違いに削減できることを示しています。

Abstract

移動エージェントを用いて、未知の位置に存在する静止目標の未知個数を探索する問題に取り組みます。不確実性を伴う計測のもとで、目標の期待個数を推定するために確率仮説密度フィルタ（Probability Hypothesis Density filter）を使用します。Active Search（AS）やその間欠的変種（Intermittent variant: ASI）といった既存のプランナは、検出の精度を達成できますが、高価なオンライン最適化を必要とします。オンライン計算量を削減するために、ASまたはASIの意思決定を直接推論によって近似する畳み込みニューラルネットワークを用いることを提案します。このネットワークは、多チャンネルのグリッドを用いて、目標に関する信念（belief）、エージェントの位置、訪問履歴、境界情報を符号化し、AS/ASIデータによって学習されます。目標分布が一様な場合およびクラスタ化された場合のシミュレーションでは、ネットワークがASまたはASIと同等の検出率を達成しつつ、計算をオーダーで（桁違いに）削減できることが示されます。