論文の概要: Machine Learning-Aided Operations and Communications of Unmanned Aerial Vehicles: A Contemporary Survey

• arxiv url: http://arxiv.org/abs/2211.04324v1
• Date: Mon, 7 Nov 2022 15:34:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 16:03:49.317356
• Title: Machine Learning-Aided Operations and Communications of Unmanned Aerial Vehicles: A Contemporary Survey
• Title（参考訳）: 無人航空機の機械学習支援操作と通信--現代調査
• Authors: Harrison Kurunathan, Hailong Huang, Kai Li, Wei Ni, and Ekram Hossain
• Abstract要約: UAVとMLの技術の融合が進行中であることは、前例のない知性と自律性を備えたUAVの大幅な相乗効果と強化を生み出している。 本調査は,UAV運用および通信に使用されるML技術の概要をタイムリーかつ包括的に示すことを目的としている。
• 参考スコア（独自算出の注目度）: 43.573379573511765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ongoing amalgamation of UAV and ML techniques is creating a significant synergy and empowering UAVs with unprecedented intelligence and autonomy. This survey aims to provide a timely and comprehensive overview of ML techniques used in UAV operations and communications and identify the potential growth areas and research gaps. We emphasise the four key components of UAV operations and communications to which ML can significantly contribute, namely, perception and feature extraction, feature interpretation and regeneration, trajectory and mission planning, and aerodynamic control and operation. We classify the latest popular ML tools based on their applications to the four components and conduct gap analyses. This survey also takes a step forward by pointing out significant challenges in the upcoming realm of ML-aided automated UAV operations and communications. It is revealed that different ML techniques dominate the applications to the four key modules of UAV operations and communications. While there is an increasing trend of cross-module designs, little effort has been devoted to an end-to-end ML framework, from perception and feature extraction to aerodynamic control and operation. It is also unveiled that the reliability and trust of ML in UAV operations and applications require significant attention before full automation of UAVs and potential cooperation between UAVs and humans come to fruition.
• Abstract（参考訳）: UAVとMLの技術の融合が進行中であることは、前例のない知性と自律性を備えたUAVの大きなシナジーと強化を生み出している。 本調査は,UAV運用および通信に使用されるML技術の概要をタイムリーかつ包括的に把握し,潜在的な成長領域と研究ギャップを特定することを目的としている。 我々は,UAV操作とコミュニケーションにおいて,認識と特徴抽出,特徴解釈と再生,軌道計画とミッション計画,空力制御と運用の4つの重要な要素を強調した。 最新のMLツールを4つのコンポーネントへの応用に基づいて分類し、ギャップ分析を行う。 この調査は、MLが支援する自動UAV操作と通信の領域における、今後の課題を指摘し、一歩前進する。 異なるML技術がUAV操作と通信の4つの重要なモジュールのアプリケーションを支配していることが明らかとなった。 クロスモジュール設計のトレンドは増えているが、知覚や特徴抽出から空力制御や操作に至るまで、エンドツーエンドのmlフレームワークへの取り組みは少ない。 また、UAVの運用や応用におけるMLの信頼性と信頼性は、UAVの完全自動化や、UAVと人間との潜在的な協力が実現される前にかなりの注意が必要であることも明らかにされた。

関連論文リスト

• Integrating Large Language Models for UAV Control in Simulated Environments: A Modular Interaction Approach [0.3495246564946556]
  本研究では,UAV制御における大規模言語モデルの適用について検討する。 UAVが自然言語コマンドを解釈し、応答できるようにすることで、LLMはUAVの制御と使用を簡素化する。 本稿では,自律的な意思決定,動的なミッション計画,状況認識の向上,安全プロトコルの改善など,LCMがUAV技術に影響を与えるいくつかの重要な領域について論じる。
  論文  参考訳（メタデータ） (2024-10-23T06:56:53Z)
• Large Language Models for UAVs: Current State and Pathways to the Future [6.85423435360359]
  無人航空機(UAV)は様々な分野にまたがるトランスフォーメーション技術として登場した。 この研究は、自律システムの開発を促進するために、UAVとLarge Language Models(LLM)を統合する大きな可能性を探求する。
  論文  参考訳（メタデータ） (2024-05-02T21:30:10Z)
• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Evidential Detection and Tracking Collaboration: New Problem, Benchmark and Algorithm for Robust Anti-UAV System [56.51247807483176]
  無人航空機(UAV)は輸送、監視、軍事など多くの地域で広く使われている。 従来は、UAVの先行情報が常に提供されていた追跡問題として、このようなアンチUAVタスクを単純化していた。 本稿では,従来のUAV情報を含まない複雑な場面において,UAVの認識を特徴とする新しい実用的対UAV問題を初めて定式化する。
  論文  参考訳（メタデータ） (2023-06-27T19:30:23Z)
• Distributed Machine Learning for UAV Swarms: Computing, Sensing, and Semantics [31.921859542234998]
  分散学習(DL)により、UAVの群れは、通信サービス、多方向リモート監視、ターゲット追跡をインテリジェントに提供できる。 まず、フェデレートラーニング(FL)、マルチエージェント強化ラーニング(MARL)、分散推論、分割ラーニングなどの一般的なDLアルゴリズムを紹介する。 次に,無線通信システムにおけるUAVスワムの最先端の応用として,再構成可能なインテリジェントサーフェス(RIS),仮想現実(VR),セマンティックコミュニケーションなどを紹介し,DL対応のUAVスワムがこれらのアプリケーションで解決できる問題と課題について議論する。
  論文  参考訳（メタデータ） (2023-01-03T01:05:18Z)
• Berlin V2X: A Machine Learning Dataset from Multiple Vehicles and Radio Access Technologies [56.77079930521082]
  我々は,MLに基づく多種多様な研究への道を開くための詳細な測定キャンペーンを実施してきた。 得られたデータセットは、携帯電話(と2つの異なるオペレーター)とサイドリンク無線アクセス技術の両方のために、様々な都市環境にまたがるGPS位置の無線測定を提供する。 私たちは、MLが克服しなければならない課題と、MLが活用できる機能について、データの初期分析を提供しています。
  論文  参考訳（メタデータ） (2022-12-20T15:26:39Z)
• Machine Learning Methods for Management UAV Flocks -- a Survey [3.190574537106449]
  UAV技術は、コミュニケーション、農業、安全保障、輸送など、幅広い領域で利用することができる。 UAVを特定のドメインのクラスタ/フラッシュにグループ化することは有用であり、UAVの使用に関するさまざまな課題はクラスタリングによって軽減される。 UAVのフロック管理では、機械学習(ML)手法を用いていくつかの計算問題が発生する。
  論文  参考訳（メタデータ） (2021-08-30T18:03:34Z)
• Serverless Federated Learning for UAV Networks: Architecture, Challenges, and Opportunities [27.366598254560994]
  無人航空機(UAV)は、民間および軍事分野の次世代無線ネットワークにおける広範なアプリケーションをサポートすることを想定しています。 本稿では,中央エンティティを持たないUAVネットワーク内でFLを実現する,SELF-UNという新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-04-15T16:11:13Z)
• Artificial Intelligence for UAV-enabled Wireless Networks: A Survey [72.10851256475742]
  無人航空機(UAV)は次世代無線通信ネットワークにおいて有望な技術であると考えられている。 人工知能(AI)は近年急速に成長し、成功している。 UAVベースのネットワークにおけるAIの潜在的な応用について概観する。
  論文  参考訳（メタデータ） (2020-09-24T07:11:31Z)

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。