論文の概要: Weapon Engagement Zone Maximum Launch Range Estimation Using a Deep Neural Network

• arxiv url: http://arxiv.org/abs/2111.04474v1
• Date: Thu, 4 Nov 2021 18:20:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-11 08:24:43.022698
• Title: Weapon Engagement Zone Maximum Launch Range Estimation Using a Deep Neural Network
• Title（参考訳）: 深部ニューラルネットワークを用いたウェポンエンゲージメントゾーン最大発射距離推定
• Authors: Joao P. A. Dantas, Andre N. Costa, Diego Geraldo, Marcos R. O. A. Maximo and Takashi Yoneyama
• Abstract要約: 本研究では,Weapon Engagement Zone (WEZ) の最大発射範囲の推定にDeep Neural Network (DNN) を用いることを検討した。
• 参考スコア（独自算出の注目度）: 0.3149883354098941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work investigates the use of a Deep Neural Network (DNN) to perform an estimation of the Weapon Engagement Zone (WEZ) maximum launch range. The WEZ allows the pilot to identify an airspace in which the available missile has a more significant probability of successfully engaging a particular target, i.e., a hypothetical area surrounding an aircraft in which an adversary is vulnerable to a shot. We propose an approach to determine the WEZ of a given missile using 50,000 simulated launches in variate conditions. These simulations are used to train a DNN that can predict the WEZ when the aircraft finds itself on different firing conditions, with a coefficient of determination of 0.99. It provides another procedure concerning preceding research since it employs a non-discretized model, i.e., it considers all directions of the WEZ at once, which has not been done previously. Additionally, the proposed method uses an experimental design that allows for fewer simulation runs, providing faster model training.
• Abstract（参考訳）: 本研究では,Weapon Engagement Zone (WEZ) の最大発射範囲の推定にDeep Neural Network (DNN) を用いることを検討した。 WEZは、パイロットが使用可能なミサイルが特定の目標、すなわち敵がショットに対して脆弱な航空機を取り囲む仮説上の領域にうまく関与する確率が高い空域を特定することを可能にする。 可変条件下での5万回の模擬発射によるミサイルのWEZ判定手法を提案する。 これらのシミュレーションはDNNの訓練に使用され、航空機が異なる発射条件でWEZを予測でき、判定係数は0.99である。 これは、非分散モデル、すなわち、以前に行われていないWEZの全方向を一度に考慮しているため、先行研究に関する別の手順を提供する。 さらに,提案手法はシミュレーション実行を少なくし,より高速なモデルトレーニングを実現する実験的な設計を用いる。

関連論文リスト

• Landing Trajectory Prediction for UAS Based on Generative Adversarial Network [10.243874682724677]
  GAN(Generative Adversarial Network)に基づく無人航空機システムの着陸軌道予測モデルを提案する。 GANは長年開発されてきた高名なニューラルネットワークである。 また、提案モデルを評価するために、実際のパイロットが手動で操縦するドローン制御の2600回以上の軌道を含む、実際のUAV着陸データセットを作成する。
  論文  参考訳（メタデータ） (2024-11-21T18:34:33Z)
• Anti-Jamming Path Planning Using GCN for Multi-UAV [0.0]
  UAVスワーミングの有効性は、ジャミング技術によって著しく損なわれる可能性がある。 UAV群集が集団知能を利用してジャム領域を予測する手法が提案されている。 マルチエージェント制御アルゴリズムを使用して、UAVスワムを分散し、ジャミングを回避し、ターゲットに到達すると再グループ化する。
  論文  参考訳（メタデータ） (2024-03-13T07:28:05Z)
• Deep Learning Based Situation Awareness for Multiple Missiles Evasion [1.7819574476785418]
  本研究では,BVR(Beyond Visual Range)空戦シナリオにおけるUAV運用者を支援するための意思決定支援ツールを提案する。 提案手法は,Deep Neural Networks (DNN) を用いて高忠実度シミュレーションから学習し,演算子に異なる戦略の集合に対する結果推定値を与える。 提案システムは,複数のミサイルを運用し,選択肢のファミリーを評価し,最もリスクの低い行動手順を推奨できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T14:21:21Z)
• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [52.25258289718559]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。 任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Supervised Machine Learning for Effective Missile Launch Based on Beyond Visual Range Air Combat Simulations [0.19573380763700707]
  我々は、リサンプリング技術を用いて予測モデルを改善し、精度、精度、リコール、f1スコアを解析する。 最高のf1スコアを持つモデルはそれぞれ0.379と0.465の値を持ち、再サンプリング技術は22.69%増加した。 機械学習モデルに基づく意思決定支援ツールの開発が可能であり,BVR空戦における飛行品質の向上が期待できる。
  論文  参考訳（メタデータ） (2022-07-09T04:06:00Z)
• Engagement Decision Support for Beyond Visual Range Air Combat [0.3149883354098941]
  この作業は、Beyond Visual Range (BVR)空戦のためのエンゲージメント決定支援ツールを提供することを目的としている。 BVR空戦では、戦闘決定はパイロットが目標に到達した瞬間の選択を指す。
  論文  参考訳（メタデータ） (2021-11-04T17:59:45Z)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。 我々は、車や歩行者の軌道予測をベンチマークする。 私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)

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。