日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
群制御arXiv:2609.21716

AgenticSwarm: 異種マルチUAVミッションのための意味的知覚と適応的タスク割り当て

AgenticSwarm: Semantic Perception and Adaptive Task Allocation for Heterogeneous Multi-UAV Missions

シェア:XThreadsFacebookLINEはてブBluesky

航空画像と言語指示からミッション表現を構築し、制約付きタスク割り当てと障害発生時の再計画を統合したマルチUAVエージェントフレームワークを提案。

詳しい要約

1. どんなもの？

- 複雑環境でのheterogeneous multi-UAVミッションを対象としたagentic framework「AgenticSwarm」 - 航空画像と自然言語指示を解釈し、知覚対象・領域をタスク要件・能力制約・ミッション依存関係に結びつけたgrounded mission representationを構築 - 障害物を考慮した経路実現可能性、エネルギー消費、protected return home要件を組み込んだ制約付きタスク割当を実行 - 実行中にUAV故障・バッテリ低下・タスク変更が生じると、現在のシステム状態から残存ミッションを再構築し、完了済み作業と偵察進捗を保持

2. 先行研究と比べてどこがすごい？

- Grounding DINO+SAM 2.1の知覚ベースラインと比較し、SAM3ベースのパイプラインがclass-aware recallを25.2 percentage points (pp)、semantic label accuracyを29.5 pp改善 - residual mission replanningをablateすると、mean repeated workが0%から61.7%に増加し、post-event recovery timeが58.6%増加 - これにより適応的再計画がミッション実行に寄与することが示された - 先行研究との具体的な比較は要旨からは不明

3. 技術・手法の肝は？

- agentが航空画像と自然言語指示を解釈し、grounded mission representationを構築 - 知覚した物体・領域をタスク要件、capability constraints、mission dependenciesにリンク - 制約付きタスク割当プロセスにobstacle aware path feasibility、energy consumption、protected return home requirementsを組み込む - 実行中の変化（UAV failure、battery degradation、task modification）に応じてresidual mission reconstructionをトリガし、完了作業と偵察進捗を保持 - SAM3ベースの知覚パイプラインを採用

4. どうやって有効だと検証した？

- 5つの多様なGazebo環境と屋内実テスト環境で評価 - semantic reasoningと制約付き割当、適応的multi-UAVミッション実行の接続能力を実証 - Grounding DINO+SAM 2.1知覚ベースラインとの比較でclass-aware recallとsemantic label accuracyの改善を確認 - residual mission replanningのablationにより、mean repeated workとpost-event recovery timeへの影響を検証

5. 議論はある？

- 要旨からは不明 - 限界や議論の詳細は記述されていない

6. 次に読むべき論文は？

- Grounding DINO - SAM 2.1 - SAM3 - 同分野の定番としてmulti-UAV task allocation、semantic perception、adaptive replanningに関する研究

※ 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: Muhammad Ahsan Mustafa, Yasheerah Yaqoot, Faryal Batool, Roohan Ahmed Khan, Valerii Serpiva, Dzmitry Tsetserukou

分類: cs.RO

原文アブストラクト

Multi UAV missions in complex environments require the system to understand both the surrounding scene and the intent of a human operator while maintaining feasible task allocation as mission conditions change. This paper presents AgenticSwarm, an agentic framework for semantic perception and adaptive task allocation in heterogeneous multi UAV missions. An agent interprets aerial imagery and natural language instructions to construct a grounded mission representation that links perceived objects and regions with task requirements, capability constraints, and mission dependencies. This information augments a constrained task allocation process in which obstacle aware path feasibility, energy consumption, and protected return home requirements are incorporated before assignment. During execution, changes such as UAV failure, battery degradation, or task modification trigger residual mission reconstruction from the current system state, while completed work and reconnaissance progress are retained. AgenticSwarm is evaluated across five diverse Gazebo environments and an indoor real test environment, demonstrating its ability to connect semantic reasoning with constrained allocation and adaptive multi UAV mission execution. Compared with a Grounding DINO+SAM~2.1 perception baseline, the SAM3-based pipeline improves class-aware recall by 25.2 percentage points (pp) and semantic label accuracy by 29.5 pp. Ablating residual mission replanning increases mean repeated work from 0% to 61.7% and post-event recovery time by 58.6%, highlighting the contribution of adaptive replanning to mission execution.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI