UAV探索/経路計画2026/5/1arXiv:2605.13782

LMPath: 言語を介した事前知識と経路生成による航空探索

LMPath: Language-Mediated Priors and Path Generation for Aerial Exploration

UAVの探索ミッションにおいて、言語モデルと衛星画像を用いて対象物が存在しそうな領域を事前に推定し、その情報に基づいて効率的な飛行経路を生成するパイプラインを提案した。

詳しい要約

1. どんなもの？

- 目的: UAV search missions において、対象物の意味的文脈を考慮した探索 prior を生成する LMPath を提案。 - 入力: 基本的な geofence と object of interest prompt。 - 処理: generative language models で対象物が存在しそうな領域を決定し、foundation vision model を satellite imagery に適用して sub-regions を segmentation。 - 出力: 探索 prior を用いて、期待探索時間最小化、限られた移動距離での発見確率最大化、探索空間の絞り込みなど、様々な目的の UAV paths を生成。 - 検証: 実 UAV による大規模環境での飛行と、シミュレーションによる従来手法との比較。

2. 先行研究と比べてどこがすごい？

- 従来の autonomous UAV search は幾何学的な coverage patterns に依存し、対象物の意味的文脈を無視。 - そのため大規模環境で多大な時間浪費が生じる。 - LMPath は language-mediated priors を導入し、意味情報を活用することで探索効率を改善。 - シミュレーションで従来の path planning 手法を上回ることを示した。

3. 技術・手法の肝は？

- generative language models を用いて、object of interest prompt から対象物が存在しそうな環境領域を推定。 - foundation vision model を satellite imagery に適用し、その領域を sub-regions に segmentation。 - 得られた探索 prior を基に、目的に応じた UAV paths を生成。 - 期待探索時間の最小化 - 限られた移動距離での発見確率最大化 - 探索空間の絞り込み - 実 UAV とシミュレーションで有効性を検証。

4. どうやって有効だと検証した？

- LMPath を用いて様々な UAV paths を生成し、実 UAV で大規模環境を飛行。 - シミュレーションを実施し、LMPath による paths が従来の path planning 手法を上回ることを示した。 - 具体的な評価指標や統計的検証の詳細は要旨からは不明。

5. 議論はある？

- 要旨からは、LMPath の限界や議論の詳細は不明。 - 実環境での検証とシミュレーション結果が示されているが、一般化可能性や失敗事例についての言及はない。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、traditional path planning approaches for search missions、geometric coverage patterns、generative language models、foundation vision models が挙げられる。 - 同分野の定番として、coverage path planning、UAV search and rescue、semantic exploration などが考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jonathan A. Diller, Fernando Cladera, Camillo J. Taylor, Vijay Kumar

分類: cs.RO, cs.AI

原文アブストラクト

Traditional autonomous UAV search missions rely on geometric coverage patterns that ignore the semantic context of the target, leading to significant time waste in large-scale environments. In this paper we present LMPath, a pipeline for generating language-mediated exploration priors for Unmanned Aerial Vehicle (UAV) search missions that leverages semantics. Given a basic geofence and an object of interest prompt, LMPath uses generative language models to determine what regions of the environment should contain that object and a foundation vision model ran over satellite imagery to segment sub-regions that form the exploration prior. This prior can then be used to generate UAV paths with various objectives, such as minimizing the expected time to locate the object of interest, maximizing the probability that the object is found given a limited travel distance, or narrowing down the search space to sub-regions that are most likely to contain the object. To demonstrate it's capabilities, we used LMPath to generate various UAV paths and ran them using a real UAV over large-scale environments. We also ran simulations to demonstrate how paths generated using LMPath outperform traditional path planning approaches for search missions.

arXivで原文を読む →arXiv概要ページ

← 論文一覧