Fugu-MT 論文翻訳(概要): On the Evaluation of Military Simulations: Towards A Taxonomy of Assessment Criteria

論文の概要: On the Evaluation of Military Simulations: Towards A Taxonomy of Assessment Criteria

arxiv url: http://arxiv.org/abs/2004.09340v1
Date: Mon, 20 Apr 2020 14:39:59 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 22:43:41.817587
Title: On the Evaluation of Military Simulations: Towards A Taxonomy of Assessment Criteria
Title（参考訳）: 軍事シミュレーションの評価について:評価基準の分類に向けて
Authors: Mario Golling, Robert Koch, Peter Hillmann, Volker Eiseler, Lars Stiemert, Andres Rekker
Abstract要約: 軍事シミュレーションの一般的な分類は存在しない。シミュレータの一般的な機能要件、シミュレータの特殊軍事要件、シミュレータの非機能要件。よりよく理解するために、分類学は具体例にも適用される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the area of military simulations, a multitude of different approaches is available. Close Combat Tactical Trainer, Joint Tactical Combat Training System, Battle Force Tactical Training or Warfighter's Simulation 2000 are just some examples within the history of the large DoD Development Program in Modelling and Simulation, representing just a small piece of the variety of diverse solutions. Very often, individual simulators are very unique and so it is often difficult to classify military simulations even for experienced users. This circumstance is further boosted due to the fact that in the field of military simulations - unlike in other areas - no general classification for military simulations exists. To address this shortcoming, this publication is dedicated to the idea of providing a first contribution to the development of a commonly accepted taxonomy in the area of military simulations. To this end, the problem field is structured into three main categories (general functional requirements for simulators, special military requirements for simulators and non-functional requirements for simulators). Based upon that, individual categories are provided with appropriate classes. For a better understanding, the taxonomy is also applied to a concrete example (NetLogo Rebellion).
Abstract（参考訳）: 軍事シミュレーションの分野では、様々なアプローチが利用可能である。近接戦闘戦術訓練機、合同戦術戦闘訓練システム、戦闘部隊戦術訓練または戦闘戦闘機のシュミレーション2000は、モデリングとシミュレーションにおける大規模なdod開発プログラムの歴史のほんの一部例であり、多種多様なソリューションのほんの一部に過ぎない。個々のシミュレータは非常にユニークなので、経験豊富なユーザでも軍事シミュレーションを分類することは難しいことが多い。この状況は、軍事シミュレーションの分野では、他の分野とは異なり、軍事シミュレーションの一般的な分類は存在しないため、さらに強化されている。この欠点に対処するために、この出版物は軍事シミュレーションの分野で広く受け入れられている分類法の開発に最初の貢献を提供するというアイデアに捧げられている。この目的のために、問題領域は3つの主要なカテゴリ(シミュレータの一般機能要件、シミュレータの特殊軍事要件、シミュレータの非機能要件)に分けられる。それに基づいて、個々のカテゴリに適切なクラスが提供される。より深く理解するために、この分類法は具体的な例(NetLogo Rebellion)にも適用される。

関連論文リスト

GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
論文参考訳（メタデータ） (2024-10-06T05:02:23Z)
Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文参考訳（メタデータ） (2023-10-12T20:49:15Z)
ASA-SimaaS: Advancing Digital Transformation through Simulation Services in the Brazilian Air Force [0.07499722271664144]
本研究は、潜在的シナリオの結果を予測・評価するための軍事シミュレーションの利用について検討する。これは、軍事シミュレーションの進化と、人工知能の進歩によって生じた能力の増大を強調している。この論文はその後、ブラジル空軍による独自のシミュレーションツールの開発に焦点をあてている。
論文参考訳（メタデータ） (2023-09-15T18:10:13Z)
MARS: An Instance-aware, Modular and Realistic Simulator for Autonomous Driving [13.571775151180923]
ニューラルレイディアンスフィールド(NeRF)に基づく自律走行シミュレータを提案する。我々のシミュレーターは、フォアグラウンドインスタンスとバックグラウンド環境を独立したネットワークで別々にモデル化する。我々のシミュレーターは、最高のモジュール選択を条件に、最先端のフォトリアリズムを新たに設定した。
論文参考訳（メタデータ） (2023-07-27T17:59:52Z)
NASimEmu: Network Attack Simulator & Emulator for Training Agents Generalizing to Novel Scenarios [0.0]
NASimEmuは、浸透試験エージェントをトレーニングするための新しいフレームワークである。シミュレータとエミュレータに共有インターフェースを提供する。フレームワークを使って、新しい、構造的に異なるシナリオに移行する一般的なエージェントをトレーニングする方法を示す。
論文参考訳（メタデータ） (2023-05-26T20:19:09Z)
Robot Learning from Randomized Simulations: A Review [59.992761565399185]
ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
論文参考訳（メタデータ） (2021-11-01T13:55:41Z)
TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文参考訳（メタデータ） (2021-01-17T00:29:30Z)
Adaptive Synthetic Characters for Military Training [0.9802137009065037]
現在の軍事シミュレーションにおける合成文字の挙動は、一般的にルールベースおよびリアクティブ計算モデルによって生成されるため、限られている。本稿では,信頼できる行動のコヒーレントなシーケンスを実行できる自律的な合成文字を作成することを目的とした枠組みを提案する。
論文参考訳（メタデータ） (2021-01-06T18:45:48Z)
Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
論文参考訳（メタデータ） (2020-11-17T15:24:01Z)
Simulation of an Elevator Group Control Using Generative Adversarial Networks and Related AI Tools [0.6481500397175589]
Generative Adversarial Networks (GAN) は、様々なタスクのための新しいデータを生成する強力なツールである。本稿では,シミュレーションにおけるGANの適用性について検討する。
論文参考訳（メタデータ） (2020-09-03T14:22:26Z)
From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
論文参考訳（メタデータ） (2020-05-13T14:22:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。