論文の概要: Automating the resolution of flight conflicts: Deep reinforcement
learning in service of air traffic controllers
- arxiv url: http://arxiv.org/abs/2206.07403v1
- Date: Wed, 15 Jun 2022 09:06:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 15:13:20.413019
- Title: Automating the resolution of flight conflicts: Deep reinforcement
learning in service of air traffic controllers
- Title(参考訳): フライトコンフリクトの解決の自動化:航空管制官の業務における深層強化学習
- Authors: George Vouros, George Papadopoulos, Alevizos Bastas, Jose Manuel
Cordero, Ruben Rodrigez Rodrigez
- Abstract要約: 難易度と複雑な航空交通シナリオは、今日の航空交通管制官(ATCO)が使用している戦術的衝突検知・分解(CD&R)ツールよりも高いレベルの自動化を必要とする。
本稿では,各エージェント(飛行士)が他のエージェントと共同でCD&Rタスクを行うマルチエージェント環境でグラフ畳み込み強化学習手法を提案する。
本手法は,運用上の透明性問題に対処するため,利害関係者(航空管制官及び航空管制官)に対して高品質なソリューションを提供することができることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dense and complex air traffic scenarios require higher levels of automation
than those exhibited by tactical conflict detection and resolution (CD\&R)
tools that air traffic controllers (ATCO) use today. However, the air traffic
control (ATC) domain, being safety critical, requires AI systems to which
operators are comfortable to relinquishing control, guaranteeing operational
integrity and automation adoption. Two major factors towards this goal are
quality of solutions, and transparency in decision making. This paper proposes
using a graph convolutional reinforcement learning method operating in a
multiagent setting where each agent (flight) performs a CD\&R task, jointly
with other agents. We show that this method can provide high-quality solutions
with respect to stakeholders interests (air traffic controllers and airspace
users), addressing operational transparency issues.
- Abstract(参考訳): 密集した複雑な航空交通シナリオは、今日atco(air traffic controllers)が使用している戦術的衝突検出および解決ツール(cd\&r)よりも高いレベルの自動化を必要とする。
しかし、航空交通管制(ATC)ドメインは安全性が重要であり、オペレーターがコントロールを放棄し、運用の整合性と自動化の採用を保証するAIシステムを必要とする。
この目標に対する2つの大きな要因は、ソリューションの品質と、意思決定における透明性である。
本稿では,各エージェント(飛行)が他のエージェントと共同でcd\&rタスクを実行するマルチエージェント設定で動作するグラフ畳み込み強化学習手法を提案する。
我々は,この手法が,利害関係者の利益(航空管制官や空域利用者)に対して,運用上の透明性問題に対処するための高品質なソリューションを提供できることを示す。
関連論文リスト
- Tradeoffs When Considering Deep Reinforcement Learning for Contingency Management in Advanced Air Mobility [0.0]
航空輸送は、Advanced Air Mobility (AAM)の導入により、世界中で急速に進化している。
運用上の安全性と効率の目標を達成するためには、自動化のレベルが増加する必要がある。
本稿では,複雑・高次元環境において有望な性能を示す深層強化学習(DRL)の利用について検討する。
論文 参考訳(メタデータ) (2024-06-28T19:09:55Z) - Towards Engineering Fair and Equitable Software Systems for Managing
Low-Altitude Airspace Authorizations [40.00051324311249]
小型無人航空機システム (SUAS) は様々な用途に広く採用されている。
FAA(連邦航空局)は、そのミッションを安全に完了させるSUASの予測能力に基づいて、空域へのアクセスを制御するUAS Traffic Management(UTM)システムを開発している。
本稿では,自動システムにおいて考慮すべき要因について,利害関係者の視点を考察する。
論文 参考訳(メタデータ) (2024-01-14T19:40:32Z) - Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。
本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文 参考訳(メタデータ) (2023-07-05T21:38:36Z) - Reinforcement Learning-Based Air Traffic Deconfliction [7.782300855058585]
本研究は,2機の水平分離を自動化することに焦点を当て,障害物回避問題を2次元サロゲート最適化課題として提示する。
強化学習(RL)を用いて、回避ポリシーを最適化し、ダイナミクス、インタラクション、意思決定をモデル化する。
提案システムは,安全要件を満たす高速かつ達成可能な回避軌道を生成する。
論文 参考訳(メタデータ) (2023-01-05T00:37:20Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT
Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement
Learning Approach [56.84948632954274]
本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。
本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。
提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
論文 参考訳(メタデータ) (2021-12-20T15:45:28Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳(メタデータ) (2021-05-28T08:45:37Z) - Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。
エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。
UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
論文 参考訳(メタデータ) (2021-03-03T20:54:19Z) - Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous
Vehicles and Multi-Agent RL [63.52264764099532]
本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。
この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
論文 参考訳(メタデータ) (2020-10-30T22:06:05Z) - A Deep Ensemble Multi-Agent Reinforcement Learning Approach for Air
Traffic Control [5.550794444001022]
本稿では,マルチエージェント強化学習(MARL)を活用し,航空機の速度調整をリアルタイムで提案する知的意思決定フレームワークを提案する。
本システムの目的は,航空交通渋滞の回避,ニアミス状況の改善,到着スケジュールの改善のため,航空交通管制官が航空機に効果的な誘導を行う能力を高めることである。
論文 参考訳(メタデータ) (2020-04-03T06:03:53Z) - A Deep Multi-Agent Reinforcement Learning Approach to Autonomous
Separation Assurance [5.196149362684628]
可変数の航空機間の衝突を識別・解決するために, 深層多エージェント強化学習フレームワークを提案する。
提案手法は,BlueSkyの航空交通制御環境における3つのケーススタディで検証された。
論文 参考訳(メタデータ) (2020-03-17T16:50:34Z)
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。