Fugu-MT 論文翻訳(概要): Augmenting Flight Training with AI to Efficiently Train Pilots

論文の概要: Augmenting Flight Training with AI to Efficiently Train Pilots

arxiv url: http://arxiv.org/abs/2210.06683v1
Date: Thu, 13 Oct 2022 02:35:24 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 17:37:09.128343
Title: Augmenting Flight Training with AI to Efficiently Train Pilots
Title（参考訳）: パイロットを効果的に訓練するAIによる飛行訓練の強化
Authors: Michael Guevarra (1), Srijita Das (2 and 3), Christabel Wayllace (2 and 3), Carrie Demmans Epp (2), Matthew E. Taylor (2 and 3), Alan Tay (1) ((1) Delphi Technology Corp, (2) University of Alberta, (3) Alberta Machine Intelligence Institute)
Abstract要約: 航空機の操縦方法を学ぶためのAIベースのパイロットトレーナーを提案する。 AIエージェントは、行動クローニングを使用して、資格のある飛行インストラクターから飛行操作を学習する。このシステムは、エージェントの判断を用いて、学生が犯したエラーを検出し、学生がエラーを修正するのを助けるフィードバックを提供する。
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: We propose an AI-based pilot trainer to help students learn how to fly aircraft. First, an AI agent uses behavioral cloning to learn flying maneuvers from qualified flight instructors. Later, the system uses the agent's decisions to detect errors made by students and provide feedback to help students correct their errors. This paper presents an instantiation of the pilot trainer. We focus on teaching straight and level flying maneuvers by automatically providing formative feedback to the human student.
Abstract（参考訳）: 航空機の操縦方法を学ぶためのAIベースのパイロットトレーナーを提案する。まず、AIエージェントが行動クローニングを使用して、資格のある飛行インストラクターから飛行操作を学習する。その後、システムはエージェントの判断を用いて、学生が犯した誤りを検知し、学生のエラー修正を支援するフィードバックを提供する。本稿ではパイロットトレーナーのインスタンス化について述べる。人間の生徒に自動的なフィードバックを提供することで、直進飛行と水平飛行の操作を教えることに注力する。

関連論文リスト

Combating Spatial Disorientation in a Dynamic Self-Stabilization Task Using AI Assistants [5.42300240053097]
空間的不整合は、致命的な航空機事故の主要な原因である。本稿では、パイロットがバランスを維持し、回収不能な制御損失を防止できるAIエージェントの可能性について検討する。
論文参考訳（メタデータ） (2024-09-09T21:06:22Z)
Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
論文参考訳（メタデータ） (2023-06-27T17:58:39Z)
Autonomous Agent for Beyond Visual Range Air Combat: A Deep Reinforcement Learning Approach [0.2578242050187029]
本研究は, 遠近視域(BVR)空戦シミュレーション環境において動作可能な深層強化学習に基づくエージェントの開発に寄与する。本稿では,BVR戦闘におけるその役割を学習し,改善することができる高性能戦闘機のエージェント構築の概要について述べる。また、仮想シミュレーションを用いて実際のパイロットの能力を調べ、訓練されたエージェントと同じ環境で対話し、パフォーマンスを比較することを望んでいる。
論文参考訳（メタデータ） (2023-04-19T13:54:37Z)
Towards Cooperative Flight Control Using Visual-Attention [61.99121057062421]
本稿では,パイロットと制御システム間の並列自律性を実現するための,視覚に基づくエアガードシステムを提案する。我々の注意に基づく航空防衛システムは、飛行への関与レベルとパイロットの専門知識と注意のトレードオフをバランスさせることができる。
論文参考訳（メタデータ） (2022-12-21T15:31:47Z)
AI Enabled Maneuver Identification via the Maneuver Identification Challenge [5.628624906988051]
Maneuver IDは、現実の空軍のフライトシミュレーターデータを用いたAIチャレンジである。このデータセットはManeuver-ID.mit.eduで公開されている。我々は「良い」と「悪い」シミュレーターデータを分離し、操作の分類と特徴付けに様々なAI手法を適用した。
論文参考訳（メタデータ） (2022-11-28T16:55:32Z)
The eyes and hearts of UAV pilots: observations of physiological responses in real-life scenarios [64.0476282000118]
民間機や軍用機では、パイロットはリアルなシミュレーターで自分の反応や反射を調整できる。この作業は、現場でパイロットの行動を収集し、パフォーマンスを向上させるソリューションを提供することを目的としています。
論文参考訳（メタデータ） (2022-10-26T14:16:56Z)
Maneuver Identification Challenge [6.154050700252063]
Maneuver Identification Challengeは、飛行シミュレーターで練習しているパイロットから集めた何千もの軌道を提供する。第一の課題は、物理的にもっともらしい(良い)軌跡と不可能な(悪い)軌跡を分離することである。第2の課題は、軌道を意図した操作でラベル付けし、それらの操作の質を評価することである。
論文参考訳（メタデータ） (2021-08-25T22:41:45Z)
End-to-End Urban Driving by Imitating a Reinforcement Learning Coach [148.2683592850329]
人間は良いドライバーだが、エンドツーエンドのアルゴリズムにとって良いコーチではない。我々は、鳥の目視画像を連続的な低レベル行動にマッピングする強化学習専門家を訓練する。我々の強化学習コーチによって監督され、単眼カメラ入力のベースラインエンドツーエンドエージェントは、専門家レベルのパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-08-18T17:36:51Z)
PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
論文参考訳（メタデータ） (2021-06-09T14:10:50Z)
Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。