論文の概要: Data Driven Aircraft Trajectory Prediction with Deep Imitation Learning
- arxiv url: http://arxiv.org/abs/2005.07960v1
- Date: Sat, 16 May 2020 11:53:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 12:39:32.048113
- Title: Data Driven Aircraft Trajectory Prediction with Deep Imitation Learning
- Title(参考訳): 深い模倣学習によるデータ駆動航空機軌道予測
- Authors: Alevizos Bastas, Theocharis Kravaris and George A. Vouros
- Abstract要約: 現在の航空交通管理システムは、予測可能性、効率、コスト効率の限界に達している。
本稿では, トラジェクティブクラスタリングと分類手法を備えたパイプラインにおいて, アート手法のジェネレーティブ・アドリバーサ学習状態を含む包括的フレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.8508198765617195
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The current Air Traffic Management (ATM) system worldwide has reached its
limits in terms of predictability, efficiency and cost effectiveness. Different
initiatives worldwide propose trajectory-oriented transformations that require
high fidelity aircraft trajectory planning and prediction capabilities,
supporting the trajectory life cycle at all stages efficiently. Recently
proposed data-driven trajectory prediction approaches provide promising
results. In this paper we approach the data-driven trajectory prediction
problem as an imitation learning task, where we aim to imitate experts
"shaping" the trajectory. Towards this goal we present a comprehensive
framework comprising the Generative Adversarial Imitation Learning state of the
art method, in a pipeline with trajectory clustering and classification
methods. This approach, compared to other approaches, can provide accurate
predictions for the whole trajectory (i.e. with a prediction horizon until
reaching the destination) both at the pre-tactical (i.e. starting at the
departure airport at a specific time instant) and at the tactical (i.e. from
any state while flying) stages, compared to state of the art approaches.
- Abstract(参考訳): 現在の航空交通管理システム(atm)は、予測可能性、効率性、コスト効率の面で限界に達している。
世界中の異なるイニシアティブは、高忠実度航空機の軌道計画と予測能力を必要とする軌道指向変換を提案し、全ての段階での軌道ライフサイクルを効率的に支援している。
最近提案されたデータ駆動軌道予測手法は有望な結果をもたらす。
本稿では,データ駆動軌道予測問題を模倣学習課題としてアプローチし,その軌道を「形成」する専門家を模倣することを目的とする。
この目的に向けて, トラジェクティブクラスタリングと分類手法を備えたパイプラインにおいて, アート手法の生成的逆模倣学習状態を含む包括的なフレームワークを提案する。
このアプローチは、他のアプローチと比較して、前戦術的(すなわち、出発空港の瞬間に出発する)と戦術的(飛行中の任意の状態から)の両方において、最先端のアプローチと比較して、軌道全体(すなわち目的地に到達するまでの予測地平線)の正確な予測を提供することができる。
関連論文リスト
- DESTINE: Dynamic Goal Queries with Temporal Transductive Alignment for
Trajectory Prediction [8.25651323214656]
時間的変換型alIgNmEnt(DESTINE)法を用いた動的ゴールquErieSを提案する。
提案手法は,各種メトリクスの最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-11T12:41:32Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Improving Diversity of Multiple Trajectory Prediction based on
Map-adaptive Lane Loss [12.963269946571476]
本研究では,地図適応の多様性を保証し,幾何学的制約を満たす新しい損失関数,textitLane Lossを提案する。
Argoverseデータセットを用いて行った実験により,提案手法は予測軌道の多様性を著しく向上させることが示された。
論文 参考訳(メタデータ) (2022-06-17T09:09:51Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳(メタデータ) (2022-02-03T09:09:56Z) - Self-Supervised Action-Space Prediction for Automated Driving [0.0]
本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。
学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。
提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
論文 参考訳(メタデータ) (2021-09-21T08:27:56Z) - Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。
既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。
本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
論文 参考訳(メタデータ) (2021-07-29T17:41:34Z) - TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文 参考訳(メタデータ) (2020-08-19T06:52:46Z) - The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
本稿では,船体移動軌跡予測の教師なし手法を提案する。
これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。
多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
論文 参考訳(メタデータ) (2020-07-27T17:45:21Z) - Long-Horizon Visual Planning with Goal-Conditioned Hierarchical
Predictors [124.30562402952319]
未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。
視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。
本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-23T17:58:56Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z)
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。