論文の概要: CVaR-based Flight Energy Risk Assessment for Multirotor UAVs using a
Deep Energy Model
- arxiv url: http://arxiv.org/abs/2105.15189v1
- Date: Mon, 31 May 2021 17:51:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 16:50:56.041104
- Title: CVaR-based Flight Energy Risk Assessment for Multirotor UAVs using a
Deep Energy Model
- Title（参考訳）: 深部エネルギーモデルを用いたマルチロータUAVのCVaRによる飛行エネルギーリスク評価
- Authors: Arnav Choudhry, Brady Moon, Jay Patrikar, Constantine Samaras,
Sebastian Scherer
- Abstract要約: エネルギー管理は、無人航空機(UAV)のリスク評価の重要な側面である。
時間的畳み込みネットワークを用いたUAVの深部エネルギーモデルを構築し,その時間的変化を捉える。
条件付きバリュー・アット・リスク(CVaR)は、名目上の最悪のエネルギー消費に関連するリスクをキャプチャする。
- 参考スコア（独自算出の注目度）: 1.8593061465167362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy management is a critical aspect of risk assessment for Uncrewed Aerial
Vehicle (UAV) flights, as a depleted battery during a flight brings almost
guaranteed vehicle damage and a high risk of human injuries or property damage.
Predicting the amount of energy a flight will consume is challenging as
routing, weather, obstacles, and other factors affect the overall consumption.
We develop a deep energy model for a UAV that uses Temporal Convolutional
Networks to capture the time varying features while incorporating static
contextual information. Our energy model is trained on a real world dataset and
does not require segregating flights into regimes. We illustrate an improvement
in power predictions by $29\%$ on test flights when compared to a
state-of-the-art analytical method. Using the energy model, we can predict the
energy usage for a given trajectory and evaluate the risk of running out of
battery during flight. We propose using Conditional Value-at-Risk (CVaR) as a
metric for quantifying this risk. We show that CVaR captures the risk
associated with worst-case energy consumption on a nominal path by transforming
the output distribution of Monte Carlo forward simulations into a risk space.
Computing the CVaR on the risk-space distribution provides a metric that can
evaluate the overall risk of a flight before take-off. Our energy model and
risk evaluation method can improve flight safety and evaluate the coverage area
from a proposed takeoff location.
The video and codebase are available at https://youtu.be/PHXGigqilOA and
https://git.io/cvar-risk .
- Abstract（参考訳）: エネルギー管理は、無人航空機(UAV)の飛行におけるリスク評価の重要な側面であり、飛行中のバッテリーの枯渇は、ほぼ確実に車両の損傷をもたらし、人的損傷や財産の損傷のリスクが高い。
フライトが消費するエネルギーの量を予測することは、ルーティング、天気、障害物、その他の要因が全体の消費に影響を与えるため、難しい。
時相畳み込みネットワークを用いて静的な文脈情報を組み込んで時間変化の特徴を捉えるUAVの深部エネルギーモデルを開発した。
我々のエネルギーモデルは実世界のデータセットに基づいて訓練されており、飛行をレジームに分離する必要はない。
テスト飛行における電力予測は,最先端解析法と比較して,29 %=2 %向上した。
エネルギーモデルを用いて、所定の軌道のエネルギー使用量を予測し、飛行中にバッテリーが切れるリスクを評価することができる。
本稿では,このリスクを定量化するための指標として,CVaR(Conditional Value-at-Risk)を提案する。
cvarはモンテカルロフォワードシミュレーションの出力分布をリスク空間に変換することで、名目上の経路上で最悪のエネルギー消費に関連するリスクを捉えている。
CVaRのリスク空間分布の計算は、離陸前の飛行の全体的なリスクを評価するための指標を提供する。
我々のエネルギーモデルとリスク評価手法は、飛行安全性を改善し、提案した離陸地点からカバー範囲を評価することができる。
ビデオとコードベースはhttps://youtu.be/PHXGigqilOA と https://git.io/cvar-risk で公開されている。
関連論文リスト
- Research on Dangerous Flight Weather Prediction based on Machine Learning [4.352963801845065]
危険天候が飛行安全に与える影響は極めて重要である。
航空気象サービスの主な課題は、気象データを効果的に利用して、航空危険気象の早期警報能力を改善する方法である。
この研究では、有害な飛行天候を予測するために、サポートベクターマシン(SVM)モデルを用いている。
論文 参考訳（メタデータ） (2024-06-18T06:08:15Z) - Risk Management of Unmanned Aerial Vehicles [0.0]
本稿では無人航空機や無人航空機の効率的なリスク管理モデルを提案する。
多くの分野でUAVやドローンの利用が増加し、異なる脅威が存在することが、それらに対して効率的なリスク管理方法を持つことの主な理由である。
論文 参考訳（メタデータ） (2023-11-07T10:46:08Z) - Perception-and-Energy-aware Motion Planning for UAV using Learning-based
Model under Heteroscedastic Uncertainty [1.223779595809275]
本研究では, 否定された環境下でのUAVに対する知覚とエネルギーを意識した動作計画を提案する。
高忠実度シミュレータは、飛行データセットを取得し、LiDAR測定に関連するUAVのエネルギー消費と異種不確かさを学習する。
学習したモデルにより、オンラインプランナーはエネルギー消費と知覚品質を推定し、UAV電池の使用量とローカライズエラーを低減できる。
論文 参考訳（メタデータ） (2023-09-25T16:34:54Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - Predicting Real-time Crash Risks during Hurricane Evacuation Using
Connected Vehicle Data [1.3706331473063877]
そこで本研究では,新しい代替データソースであるコネクテッドカーデータからハリケーン避難時の事故リスクを推定する手法を提案する。
複数の機械学習モデルは、接続された車両データから抽出された気象特性と異なる交通特性を考慮して訓練された。
論文 参考訳（メタデータ） (2023-06-14T18:04:07Z) - To Risk or Not to Risk: Learning with Risk Quantification for IoT Task
Offloading in UAVs [3.6118662460334527]
スマートファームのIoTネットワークのための意思決定アルゴリズムをタスクオフロードするために,深層強化学習技術が提案されている。
この技術は、コスト関数や条件変数のリスク(CVaR)といった金融的概念を用いて、リスク行動ごとに生じる損傷を定量化する。
提案手法は,他の深部強化学習手法と2つの固定ルールベース手法と比較した。
シミュレーションの結果,CVaRに基づくリスク手法は,火災検知タスクの期限を超過した最も危険なリスクを排除した。
論文 参考訳（メタデータ） (2023-02-14T23:50:37Z) - E^2VTS: Energy-Efficient Video Text Spotting from Unmanned Aerial
Vehicles [78.50123964690094]
無人航空機(UAV)ベースのビデオテキストスポッティングは、民間や軍事領域で広く使われている。
提案手法は,エネルギ効率と性能の競合的なトレードオフを達成し,従来の方法よりも優れていた。
論文 参考訳（メタデータ） (2022-06-05T22:43:17Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Cautious Adaptation For Reinforcement Learning in Safety-Critical
Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。
非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。
多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文 参考訳（メタデータ） (2020-08-15T01:40:59Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。