論文の概要: An Autonomous Free Airspace En-route Controller using Deep Reinforcement Learning Techniques

• arxiv url: http://arxiv.org/abs/2007.01599v1
• Date: Fri, 3 Jul 2020 10:37:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 04:25:24.025777
• Title: An Autonomous Free Airspace En-route Controller using Deep Reinforcement Learning Techniques
• Title（参考訳）: 深部強化学習技術を用いた自律型空域遠路制御
• Authors: Joris Mollinga, Herke van Hoof
• Abstract要約: 航空機の任意の数の航空機を3次元非構造空域に誘導する航空交通制御モデルが提示される。 その結果,航空交通管制モデルが現実的な交通密度で良好に機能していることが示唆された。 潜在的な衝突の100%を回避し、潜在的な衝突の89.8%を防止して、空域を管理することができる。
• 参考スコア（独自算出の注目度）: 24.59017394648942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Air traffic control is becoming a more and more complex task due to the increasing number of aircraft. Current air traffic control methods are not suitable for managing this increased traffic. Autonomous air traffic control is deemed a promising alternative. In this paper an air traffic control model is presented that guides an arbitrary number of aircraft across a three-dimensional, unstructured airspace while avoiding conflicts and collisions. This is done utilizing the power of graph based deep learning approaches. These approaches offer significant advantages over current approaches to this task, such as invariance to the input ordering of aircraft and the ability to easily cope with a varying number of aircraft. Results acquired using these approaches show that the air traffic control model performs well on realistic traffic densities; it is capable of managing the airspace by avoiding 100% of potential collisions and preventing 89.8% of potential conflicts.
• Abstract（参考訳）: 航空機の数が増えているため、航空管制はますます複雑な作業になっている。 現在の航空交通管制方法は、この増大した交通を管理するには適していない。 自律航空管制は有望な代替手段と考えられている。 本稿では, 衝突や衝突を回避しつつ, 3次元非構造空域に任意の数の航空機を誘導する航空交通制御モデルを提案する。 これはグラフベースのディープラーニングアプローチの力を利用して行われる。 これらのアプローチは、航空機の入力順序のばらつきや、様々な数の航空機に容易に対応できる能力など、このタスクに対する現在のアプローチよりも大きな利点を提供する。 これらの手法を用いて得られた結果は、航空交通制御モデルが現実的な交通密度でうまく機能していることを示し、衝突の100%を回避し、潜在的な衝突の89.8%を防止して空域を管理することができる。

関連論文リスト

• Decentralized traffic management of autonomous drones [0.3374875022248865]
  本稿では,自律型エージェントを効果的に航空調整タスクに自己組織化できるソリューションを提案する。 我々のアルゴリズムは、ドローンの数とその速度範囲に関して安全で効率的でスケーラブルであることを示す。 我々は,半径125mの円形領域における100機の自律ドローンの航空交通の協調を実験的に実証した。
  論文  参考訳（メタデータ） (2023-12-18T13:52:52Z)
• Toward collision-free trajectory for autonomous and pilot-controlled unmanned aerial vehicles [1.018017727755629]
  本研究は、高度衝突管理手法の開発において、PilotAware Ltdが入手した電子情報(EC)をより活用するものである。 DACM手法の利点は、空中衝突を避けるための広範囲なシミュレーションと実世界のフィールドテストによって実証されてきた。
  論文  参考訳（メタデータ） (2023-09-18T18:24:31Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• A deep reinforcement learning approach to assess the low-altitude airspace capacity for urban air mobility [0.0]
  都市空力は、低高度空域を利用して高速で安全な旅行手段を提供することを目的としている。 当局は現在も、都市空輸に適用される新しい飛行規則の見直しに取り組んでいる。 深い強化学習アプローチと深い決定論的政策勾配アルゴリズムを用いて,自律型UAV経路計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-23T23:38:05Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Obstacle Avoidance for UAS in Continuous Action Space Using Deep Reinforcement Learning [9.891207216312937]
  小型無人航空機の障害物回避は将来の都市空輸の安全に不可欠である。 本稿では, PPO(Proximal Policy Optimization)に基づく深層強化学習アルゴリズムを提案する。 その結果,提案モデルが正確かつ堅牢なガイダンスを提供し,99%以上の成功率で競合を解消できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-13T04:44:53Z)
• Model-Based Meta-Reinforcement Learning for Flight with Suspended Payloads [69.21503033239985]
  吊り下げられたペイロードの輸送は、自律的な航空車両にとって困難である。 接続後飛行データから数秒以内に変化力学のモデルを学習するメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-23T17:43:56Z)
• A Deep Ensemble Multi-Agent Reinforcement Learning Approach for Air Traffic Control [5.550794444001022]
  本稿では,マルチエージェント強化学習(MARL)を活用し,航空機の速度調整をリアルタイムで提案する知的意思決定フレームワークを提案する。 本システムの目的は,航空交通渋滞の回避,ニアミス状況の改善,到着スケジュールの改善のため,航空交通管制官が航空機に効果的な誘導を行う能力を高めることである。
  論文  参考訳（メタデータ） (2020-04-03T06:03:53Z)

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。