日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

探索arXiv:2605.14942

移動ペナルティ付きベイズ最適化による放射性線源探索

Radioactive Source Seeking using Bayesian Optimisation with Movement Penalty

シェア:XThreadsFacebookLINEはてブBluesky

放射性線源を効率的に探索するため、不均一分散ガウス過程を用いたベイズ最適化戦略を提案し、移動コストを考慮して探索と活用のバランスを取る。シミュレーションで有効性を実証した。

詳しい要約

1. どんなもの?

- 移動ロボットによる放射線源探索のためのサンプル効率の良い手法を提案。 - Bayesian Optimisation (BO) をベースに、heteroscedastic Gaussian process を代理モデルとして利用。 - 探索と活用のバランスを取るため、移動切替コスト (movement switching cost) を導入。 - 放射線測定が時間を要する問題に対処し、sublinear regret を達成することを示す。 - シミュレーションで放射線源の位置推定における有効性を検証。

2. 先行研究と比べてどこがすごい?

- 従来の勾配ベースの手法はサンプル効率が低く、測定に時間がかかる放射線源探索に不向き。 - 提案手法は BO を用いることでサンプル効率を改善し、sublinear regret を理論的に保証。 - 移動切替コストにより過剰な移動を抑制し、実環境での効率を向上。 - heteroscedastic Gaussian process により、測定ノイズの不均一性に対応。

3. 技術・手法の肝は?

- Bayesian Optimisation の枠組みで、heteroscedastic Gaussian process を代理モデルとして使用。 - 獲得関数により探索と活用のバランスを取る。 - 移動切替コスト (movement switching cost) を導入し、サンプル間の過剰な移動をペナルティとして discourages。 - この戦略により sublinear regret を達成。

4. どうやって有効だと検証した?

- シミュレーションにより、放射線源の位置推定における有効性を検証。 - sublinear regret の理論的保証も示されている。 - 具体的なシミュレーション設定や比較対象は要旨からは不明。

5. 議論はある?

- 要旨からは、提案手法の限界や議論の詳細は不明。 - 移動切替コストの設定方法やパラメータ感度、実環境への適用可能性については言及されていない。 - 理論的保証とシミュレーション結果のギャップや、他の手法との比較議論は要旨からは不明。

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、Bayesian Optimisation、Gaussian process、gradient-based source seeking が挙げられる。 - 同分野の定番として、radioactive source seeking における mobile robotics の研究や、sample-efficient optimization の論文が考えられる。

※ 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: Lysander Miller, Joshua Keene, Jeremy M. C. Brown, Airlie Chapman

分類: physics.app-ph, eess.SY

原文アブストラクト

The use of mobile robotics in radioactive source seeking has become an important part of modern radiation-safety practices, supporting timely mitigation of contamination risks and helping protect public health. However, measuring radiation is often time-consuming, rendering traditional gradient-based source-seeking methods less effective due to lower sample efficiency. This paper proposes a sample-efficient Bayesian-Optimisation source-seeking strategy that utilises a heteroscedastic Gaussian process surrogate to balance exploration and exploitation. Excessive inter-sample travel is discouraged through a movement switching cost. The strategy is shown to generate sublinear regret in the source-seeking task, while simulations demonstrate its effectiveness in localising radioactive sources.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  5. 5Google DeepMind、ロボット向けAIを発表新製品・発表

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI