論文の概要: Nonlinear Model Based Guidance with Deep Learning Based Target
Trajectory Prediction Against Aerial Agile Attack Patterns
- arxiv url: http://arxiv.org/abs/2104.02491v1
- Date: Tue, 6 Apr 2021 13:20:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 13:55:50.227141
- Title: Nonlinear Model Based Guidance with Deep Learning Based Target
Trajectory Prediction Against Aerial Agile Attack Patterns
- Title(参考訳): 空中アジャイル攻撃パターンに対する深層学習に基づく目標軌道予測を用いた非線形モデルに基づく誘導
- Authors: A. Sadik Satir, Umut Demir, Gulay Goktas Sever, N. Kemal Ure
- Abstract要約: 深層学習に基づく軌道予測と非線形モデル予測制御を組み合わせた新しいミサイル誘導アルゴリズムを提案する。
目標加速度予測を用いた非線形モデルに基づく予測制御(NMPC-TAP)は,誤差距離の観点から比較すると有意に優れていた。
- 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 this work, we propose a novel missile guidance algorithm that combines
deep learning based trajectory prediction with nonlinear model predictive
control. Although missile guidance and threat interception is a well-studied
problem, existing algorithms' performance degrades significantly when the
target is pulling high acceleration attack maneuvers while rapidly changing its
direction. We argue that since most threats execute similar attack maneuvers,
these nonlinear trajectory patterns can be processed with modern machine
learning methods to build high accuracy trajectory prediction algorithms. We
train a long short-term memory network (LSTM) based on a class of simulated
structured agile attack patterns, then combine this predictor with quadratic
programming based nonlinear model predictive control (NMPC). Our method, named
nonlinear model based predictive control with target acceleration predictions
(NMPC-TAP), significantly outperforms compared approaches in terms of miss
distance, for the scenarios where the target/threat is executing agile
maneuvers.
- Abstract(参考訳): 本研究では,ディープラーニングに基づく軌道予測と非線形モデル予測制御を組み合わせたミサイル誘導アルゴリズムを提案する。
ミサイル誘導と脅威迎撃はよく研究されている問題であるが、既存のアルゴリズムの性能は目標が急速に方向を変えながら高い加速攻撃操作を引いているときに著しく低下する。
多くの脅威が同様の攻撃操作を行うため、これらの非線形軌道パターンは現代の機械学習手法で処理でき、高精度な軌道予測アルゴリズムを構築することができる。
我々は、シミュレーションされたアジャイル攻撃パターンのクラスに基づいて長期記憶ネットワーク(LSTM)をトレーニングし、この予測器と二次プログラミングに基づく非線形モデル予測制御(NMPC)を組み合わせる。
目標加速度予測(nmpc-tap)を用いた非線形モデルに基づく予測制御は,目標/脅威がアジャイル操作を実行しているシナリオにおいて,ミス距離の観点で比較アプローチを著しく上回っている。
関連論文リスト
- Learn from the Past: A Proxy Guided Adversarial Defense Framework with
Self Distillation Regularization [53.04697800214848]
敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。
AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。
汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
論文 参考訳(メタデータ) (2023-10-19T13:13:41Z) - Robust Spatiotemporal Traffic Forecasting with Reinforced Dynamic
Adversarial Training [13.998123723601651]
機械学習に基づく予測モデルは、Intelligent Transportation Systems(ITS)において、トラフィックパターンを予測するために一般的に使用されている。
既存のモデルのほとんどは敵攻撃の影響を受けやすいため、不正確な予測や、混雑や遅延などの負の結果につながる可能性がある。
交通予測タスクに敵対的トレーニングを組み込むための枠組みを提案する。
論文 参考訳(メタデータ) (2023-06-25T04:53:29Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳(メタデータ) (2022-09-19T03:34:59Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。
任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。
本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
論文 参考訳(メタデータ) (2021-05-31T17:01:05Z) - Adversarial Diffusion Attacks on Graph-based Traffic Prediction Models [5.067859671505088]
最近の研究では、逆攻撃下でのグラフネットワーク(CN)の脆弱性を明らかにしている。
本稿では、GCNに基づくトラフィック予測モデルの堅牢性を調べるための新しいタスクである拡散攻撃を提案する。
提案アルゴリズムは,様々なシナリオにおける敵の攻撃タスクにおいて高い効率を示す。
論文 参考訳(メタデータ) (2021-04-19T14:57:25Z) - Targeted Attack against Deep Neural Networks via Flipping Limited Weight
Bits [55.740716446995805]
我々は,悪質な目的で展開段階におけるモデルパラメータを修飾する新しい攻撃パラダイムについて検討する。
私たちのゴールは、特定のサンプルをサンプル修正なしでターゲットクラスに誤分類することです。
整数プログラミングにおける最新の手法を利用することで、このBIP問題を連続最適化問題として等価に再構成する。
論文 参考訳(メタデータ) (2021-02-21T03:13:27Z) - Adversarial Poisoning Attacks and Defense for General Multi-Class Models
Based On Synthetic Reduced Nearest Neighbors [14.968442560499753]
最先端の機械学習モデルは、データ中毒攻撃に弱い。
本論文では,データのマルチモダリティに基づく新しいモデルフリーラベルフリップ攻撃を提案する。
第二に、SRNN(Synthetic reduced Nearest Neighbor)モデルに基づく新しい防御技術を提案する。
論文 参考訳(メタデータ) (2021-02-11T06:55:40Z) - A Generative Model based Adversarial Security of Deep Learning and
Linear Classifier Models [0.0]
我々は,オートエンコーダモデルを用いた機械学習モデルに対する敵攻撃の軽減手法を提案する。
機械学習モデルに対する敵対的攻撃の背後にある主な考え方は、トレーニングされたモデルを操作することによって誤った結果を生成することである。
また、ディープニューラルネットワークから従来のアルゴリズムに至るまで、様々な攻撃手法に対するオートエンコーダモデルの性能についても紹介した。
論文 参考訳(メタデータ) (2020-10-17T17:18:17Z) - Improved Adversarial Training via Learned Optimizer [101.38877975769198]
対戦型トレーニングモデルの堅牢性を改善するための枠組みを提案する。
共学習のパラメータモデルの重み付けにより、提案するフレームワークは、更新方向に対するロバスト性とステップの適応性を一貫して改善する。
論文 参考訳(メタデータ) (2020-04-25T20:15:53Z)
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。