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
- Biologically Inspired Swarm Dynamic Target Tracking and Obstacle Avoidance [0.0]
本研究では、軍用分散ドローン群を用いた動的目標追跡のためのAI駆動飛行コンピュータを提案する。
コントローラはファジィインタフェース、素早い適応、予測能力、マルチエージェント問題解決を可能にするニューラルネットワークを統合する。
論文 参考訳（メタデータ） (2024-10-15T03:47:09Z) - Motion Forecasting via Model-Based Risk Minimization [8.766024024417316]
複数モデルの予測に基づく軌道予測に適用可能な新しいサンプリング手法を提案する。
まず、予測確率に基づく従来のサンプリングは、モデル間のアライメントの欠如により性能を低下させることができることを示す。
基礎学習者として最先端モデルを用いて,最適軌道サンプリングのための多種多様な効果的なアンサンブルを構築した。
論文 参考訳（メタデータ） (2024-09-16T09:03:28Z) - SA-Attack: Speed-adaptive stealthy adversarial attack on trajectory prediction [2.0183079253175724]
軌道予測は、自動車両の安全な計画と航法に不可欠である。
本稿では,SA-Attack という高速適応型ステルス敵攻撃法を提案する。
論文 参考訳（メタデータ） (2024-04-19T03:51:46Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - 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) - 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) - 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)
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。