論文の概要: AI Enabled Maneuver Identification via the Maneuver Identification Challenge

• arxiv url: http://arxiv.org/abs/2211.15552v1
• Date: Mon, 28 Nov 2022 16:55:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 17:54:37.312468
• Title: AI Enabled Maneuver Identification via the Maneuver Identification Challenge
• Title（参考訳）: マニキュア識別チャレンジによるマニキュア識別を可能にするAI
• Authors: Kaira Samuel, Matthew LaRosa, Kyle McAlpin, Morgan Schaefer, Brandon Swenson, Devin Wasilefsky, Yan Wu, Dan Zhao, Jeremy Kepner
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.628624906988051
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Artificial intelligence (AI) has enormous potential to improve Air Force pilot training by providing actionable feedback to pilot trainees on the quality of their maneuvers and enabling instructor-less flying familiarization for early-stage trainees in low-cost simulators. Historically, AI challenges consisting of data, problem descriptions, and example code have been critical to fueling AI breakthroughs. The Department of the Air Force-Massachusetts Institute of Technology AI Accelerator (DAF-MIT AI Accelerator) developed such an AI challenge using real-world Air Force flight simulator data. The Maneuver ID challenge assembled thousands of virtual reality simulator flight recordings collected by actual Air Force student pilots at Pilot Training Next (PTN). This dataset has been publicly released at Maneuver-ID.mit.edu and represents the first of its kind public release of USAF flight training data. Using this dataset, we have applied a variety of AI methods to separate "good" vs "bad" simulator data and categorize and characterize maneuvers. These data, algorithms, and software are being released as baselines of model performance for others to build upon to enable the AI ecosystem for flight simulator training.
• Abstract（参考訳）: 人工知能(AI)は、パイロット訓練の質に関する実用的なフィードバックを提供することで、空軍のパイロット訓練を改善する大きな可能性を秘めている。 歴史的に、データ、問題記述、サンプルコードで構成されるAIの課題は、AIのブレークスルーを促進するために重要だった。 空軍・マサチューセッツ工科大学aiアクセラレーター(daf-mit ai accelerator)は、実世界の航空シミュレータデータを用いたaiチャレンジを開発した。 Maneuver IDチャレンジでは、パイロット訓練会(PTN)で実際に空軍の学生パイロットが収集した何千ものバーチャルリアリティーシミュレーター飛行記録が集められた。 このデータセットはManeuver-ID.mit.eduで公開され、USAFの飛行訓練データの最初の公開である。 このデータセットを用いて、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。 これらのデータ、アルゴリズム、ソフトウェアは、飛行シミュレータトレーニングのためのAIエコシステムを実現するために、他の人が構築するモデルパフォーマンスのベースラインとしてリリースされている。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• VBSF-TLD: Validation-Based Approach for Soft Computing-Inspired Transfer Learning in Drone Detection [0.0]
  本稿では,コンピュータビジョンベースモジュールの不可欠な部分を構成する移動型ドローン検出手法を提案する。 事前学習されたモデルの知識を関連ドメインから活用することにより、限られたトレーニングデータであっても、トランスファー学習によりより良い結果が得られる。 特に、このスキームの有効性は、IOUベースの検証結果によって強調される。
  論文  参考訳（メタデータ） (2023-06-11T22:30:23Z)
• Learning Environment for the Air Domain (LEAD) [0.0]
  本稿では,軍事シミュレーションにおける知的戦闘行動の生成と統合システムであるLEADについて述べる。 人気のあるプログラミングライブラリとインターフェースであるGymnasiumを組み込むことで、LEADはユーザーが容易に利用できる機械学習アルゴリズムを適用できるようになる。
  論文  参考訳（メタデータ） (2023-04-27T11:08:14Z)
• Parallel Reinforcement Learning Simulation for Visual Quadrotor Navigation [4.597465975849579]
  強化学習(Reinforcement Learning、RL)は、ロボットに物理的な世界の中をナビゲートするように教えるエージェントベースのアプローチである。 本稿では,AirSim上に構築された並列学習を効率的に行うシミュレーションフレームワークを提案する。 このフレームワーク上に構築されたApe-Xは、AirSim環境の分散トレーニングを組み込むように修正されている。
  論文  参考訳（メタデータ） (2022-09-22T15:27:42Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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)
• 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)
• AWAC: Accelerating Online Reinforcement Learning with Offline Datasets [84.94748183816547]
  提案手法は,従来の実演データとオンライン体験を組み合わせることで,スキルの素早い学習を可能にする。 以上の結果から,事前データを組み込むことで,ロボット工学を実践的な時間スケールまで学習するのに要する時間を短縮できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-16T17:54:41Z)
• GymFG: A Framework with a Gym Interface for FlightGear [2.769397444183181]
  我々は、GymFG:GymFGカップルを開発し、高忠実でオープンソースのフライトシミュレータを拡張した。 我々は,Imitation Learning を用いた自律航空エージェントの訓練に GymFG を用いることを実証した。
  論文  参考訳（メタデータ） (2020-04-26T21:06:20Z)

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。