水中災害シナリオにおける自律型車両の深層再構成の不確実性推定

- 自律型車両による水環境モニタリングにおいて、スパースなオンボード観測から環境スカラーフィールドを再構築するための不確実性推定手法を比較した研究。 - 対象手法はGaussian Processes, Monte Carlo Dropout, Deep Ensembles, Evidential Deep Learning。 - 3つの知覚モデル（実センサーモダリティを代表）の下で、再構築精度と不確実性分解を評価。 - 能動的センシング（Informative Path Planningなど）における認識的不確実性の重要性に着目。

- 先行研究では個々の手法の比較が限定的であったが、本研究は4手法を同一条件で系統的に比較。 - Evidential Deep Learningが全センサー構成で最高の再構築精度と不確実性キャリブレーションを達成し、推論コストも最小。 - Gaussian Processesは定常カーネル仮定により根本的に制限され、観測密度が増すと計算困難になることを示した。 - リアルタイム自律車両展開に適した手法としてEvidential Deep Learningを支持する知見を提供。

- スカラーフィールド再構築と不確実性分解を同時に行う枠組みを構築。 - 比較手法：Gaussian Processes（定常カーネル）、Monte Carlo Dropout、Deep Ensembles、Evidential Deep Learning。 - 3つの知覚モデル（実センサーモダリティを代表）を定義し、それぞれで評価。 - 不確実性を認識的不確実性と偶然的不確実性に分解することを目指す。 - 推論コストも評価指標に含める。

- 3つの知覚モデル（実センサーモダリティを代表）の下で、再構築精度と不確実性キャリブレーションを比較評価。 - 観測密度を変化させ、Gaussian Processesの計算困難性を実証。 - 推論コストを測定し、Evidential Deep Learningが最低コストであることを確認。 - 具体的なデータセットや実験設定の詳細は要旨からは不明。

- Evidential Deep Learningがリアルタイム自律車両展開に好ましい手法であると結論。 - Gaussian Processesの定常カーネル仮定が限界となり、観測密度増加で実用的でなくなることを議論。 - 他の手法（Monte Carlo Dropout, Deep Ensembles）との比較結果の詳細や限界については要旨からは不明。 - 今後の課題や応用範囲についての議論は要旨からは不明。

- 要旨で参照/比較されている研究：Gaussian Processes, Monte Carlo Dropout, Deep Ensembles, Evidential Deep Learning。 - 関連手法：Informative Path Planning（能動的センシング戦略）。 - 同分野の定番：Gaussian Process regression for spatial field reconstruction, Bayesian neural networks for uncertainty estimation。 - 具体的な論文タイトルは要旨に記載なし。