論文の概要: LSTM recurrent neural network assisted aircraft stall prediction for enhanced situational awareness

• arxiv url: http://arxiv.org/abs/2012.04876v1
• Date: Wed, 9 Dec 2020 05:46:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 01:58:04.427223
• Title: LSTM recurrent neural network assisted aircraft stall prediction for enhanced situational awareness
• Title（参考訳）: LSTMリカレントニューラルネットワークを用いた状況認識のための航空機停止予測
• Authors: Tahsin Sejat Saniat, Tahiat Goni, Shaikat M. Galib
• Abstract要約: そこで本研究では,ストールウォーニングが起動される前であっても,差し迫ったストールを事前に予測する深層学習手法を提案する。 長期メモリ(LSTM)リカレントニューラルネットワーク(RNN)の機能を活用し、連続した機内センサデータから潜在的なストールを予測する新しいアプローチを提案します。 26400秒のシミュレータフライトデータに基づいてトレーニングされたニューラルネットワークモデルは、ストールウォーニングトリガーの約10秒前に95%以上の精度で潜在的なストールを予測することができる。
• 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: Since the dawn of mankind's introduction to powered flights, there have been multiple incidents which can be attributed to aircraft stalls. Most modern-day aircraft are equipped with advanced warning systems to warn the pilots about a potential stall, so that pilots may adopt the necessary recovery measures. But these warnings often have a short window before the aircraft actually enters a stall and require the pilots to act promptly to prevent it. In this paper, we propose a deep learning based approach to predict an Impending stall, well in advance, even before the stall-warning is triggered. We leverage the capabilities of long short-term memory (LSTM) recurrent neural networks (RNN) and propose a novel approach to predict potential stalls from the sequential in-flight sensor data. Three different neural network architectures were explored. The neural network models, trained on 26400 seconds of simulator flight data are able to predict a potential stall with > 95% accuracy, approximately 10 seconds in advance of the stall-warning trigger. This can significantly augment the Pilot's preparedness to handle an unexpected stall and will add an additional layer of safety to the traditional stall warning systems.
• Abstract（参考訳）: 人類の動力飛行導入の夜明け以来、航空機のストールに起因する複数の事件があった。 現代のほとんどの航空機は、パイロットに潜在的な停止を警告する高度な警告システムを備えており、パイロットは必要な回復措置を採用することができる。 しかし、これらの警告は、飛行機が実際にストールに入る前に短い窓を持ち、パイロットにそれを防ぐために迅速に行動するよう要求することが多い。 本稿では,停止警告の起動前であっても,事前予測を行うための深層学習に基づくアプローチを提案する。 本稿では,Long Short-term memory (LSTM) Recurrent Neural Network (RNN) の機能を活用し,シーケンシャルな飛行中のセンサデータから潜在的ストールを予測する新しいアプローチを提案する。 3つの異なるニューラルネットワークアーキテクチャが研究された。 26400秒のシミュレータフライトデータに基づいてトレーニングされたニューラルネットワークモデルは、ストールウォーニングトリガーの約10秒前に95%以上の精度で潜在的なストールを予測することができる。 これによりパイロットの予期せぬストールに対処する準備が大幅に強化され、従来のストール警告システムに追加の安全層が加えられる。

関連論文リスト

• Vision-Language Modeling with Regularized Spatial Transformer Networks for All Weather Crosswind Landing of Aircraft [0.3749861135832073]
  気象によって引き起こされる視覚劣化をクリアするために訓練された視覚ベースのシステムは、様々な気候条件下で堅牢な着陸データセットを必要とする。 本稿では,迅速な気候拡散ネットワークを訓練し,厳しい気象画像の合成を提案する。 また、新しい拡散蒸留損失を用いた気象蒸留モデルの最適化を行い、これらの視覚的劣化を解明する。
  論文  参考訳（メタデータ） (2024-05-09T06:48:42Z)
• Aircraft Landing Time Prediction with Deep Learning on Trajectory Images [18.536109188450876]
  本研究では、終端空域(TMA)をカバーする研究空域に突入する航空機のALTを予測するために、軌道画像に基づく深層学習手法を提案する。 軌道画像には航空機の位置、速度、進路、相対距離、到着する交通の流れなど様々な情報が含まれている。 また,軌道データから得られた実時間滑走路の利用状況と,航空機の種類や気象条件などの外部情報を付加入力として利用する。
  論文  参考訳（メタデータ） (2024-01-02T07:56:05Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• 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)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Certifiers Make Neural Networks Vulnerable to Availability Attacks [70.69104148250614]
  私たちは初めて、逆転戦略が敵によって意図的に引き起こされる可能性があることを示します。 いくつかの入力や摂動のために自然に発生する障害に加えて、敵は故意にフォールバックを誘発するために訓練時間攻撃を使用することができる。 我々は2つの新しいアベイラビリティーアタックを設計し、これらの脅威の実用的妥当性を示す。
  論文  参考訳（メタデータ） (2021-08-25T15:49:10Z)
• A Machine Learning Approach to Safer Airplane Landings: Predicting Runway Conditions using Weather and Flight Data [0.0]
  滑走路面の雪と氷は、遅延や方向制御に必要なタイヤ舗装の摩擦を減少させる。 XGBoostは、複合滑走路アセスメントシステムを作成するために使用される。
  論文  参考訳（メタデータ） (2021-07-01T11:01:13Z)
• Red Alarm for Pre-trained Models: Universal Vulnerability to Neuron-Level Backdoor Attacks [98.15243373574518]
  事前訓練されたモデル(PTM)は、下流の様々なタスクで広く使われている。 本研究では,バックドアアタックによって微調整されたPTMを容易に制御できるPTMの普遍的脆弱性を実証する。
  論文  参考訳（メタデータ） (2021-01-18T10:18:42Z)
• Using LSTM for the Prediction of Disruption in ADITYA Tokamak [3.9022413625157792]
  トカマクの大きな破壊は、船とその周辺機器に深刻な脅威をもたらす。 JETやASDEXのような大規模トカマクではすでに多くの機械学習技術が使われているが、ADITYAには適していない。 本稿では,ADITYAトカマクの破壊時間を予測するための新しいリアルタイムアプローチについて論じ,実験データセット上で結果を検証する。
  論文  参考訳（メタデータ） (2020-07-13T08:06:43Z)
• Flight Time Prediction for Fuel Loading Decisions with a Deep Learning Approach [3.285168337194676]
  航空は常に新しい技術を模索し、燃料消費を減らすために飛行を最適化している。 過剰な燃料は、燃料消費の不確実性を扱うために、派遣者や(または)パイロットによってロードされる。 我々は,より優れた飛行時間予測を実現するために,空間重み付きリカレントニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-05-12T11:05:42Z)

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。