論文の概要: A deep reinforcement learning approach to assess the low-altitude
airspace capacity for urban air mobility
- arxiv url: http://arxiv.org/abs/2301.09758v1
- Date: Mon, 23 Jan 2023 23:38:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 14:37:59.574611
- Title: A deep reinforcement learning approach to assess the low-altitude
airspace capacity for urban air mobility
- Title（参考訳）: 都市空力のための低高度空間容量評価のための深層強化学習手法
- Authors: Asal Mehditabrizi, Mahdi Samadzad, Sina Sabzekar
- Abstract要約: 都市空力は、低高度空域を利用して高速で安全な旅行手段を提供することを目的としている。
当局は現在も、都市空輸に適用される新しい飛行規則の見直しに取り組んでいる。
深い強化学習アプローチと深い決定論的政策勾配アルゴリズムを用いて,自律型UAV経路計画フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban air mobility is the new mode of transportation aiming to provide a fast
and secure way of travel by utilizing the low-altitude airspace. This goal
cannot be achieved without the implementation of new flight regulations which
can assure safe and efficient allocation of flight paths to a large number of
vertical takeoff/landing aerial vehicles. Such rules should also allow
estimating the effective capacity of the low-altitude airspace for planning
purposes. Path planning is a vital subject in urban air mobility which could
enable a large number of UAVs to fly simultaneously in the airspace without
facing the risk of collision. Since urban air mobility is a novel concept,
authorities are still working on the redaction of new flight rules applicable
to urban air mobility. In this study, an autonomous UAV path planning framework
is proposed using a deep reinforcement learning approach and a deep
deterministic policy gradient algorithm. The objective is to employ a
self-trained UAV to reach its destination in the shortest possible time in any
arbitrary environment by adjusting its acceleration. It should avoid collisions
with any dynamic or static obstacles and avoid entering prior permission zones
existing on its path. The reward function is the determinant factor in the
training process. Thus, two different reward function compositions are compared
and the chosen composition is deployed to train the UAV by coding the RL
algorithm in python. Finally, numerical simulations investigated the success
rate of UAVs in different scenarios providing an estimate of the effective
airspace capacity.
- Abstract（参考訳）: 都市空気移動は、低高度空域を利用して高速で安全な旅行手段を提供することを目的とした新しい交通手段である。
この目的は、多数の垂直離着陸航空車両に対して、安全かつ効率的な飛行経路の割り当てを保証できる新しい飛行規制の実施なしには達成できない。
このようなルールは、計画目的のために低高度の空域の有効容量を推定することを可能にする。
パスプランニングは、多数のUAVが衝突の危険性に直面することなく、同時に空域を飛行できる都市空力において重要な課題である。
都市空気移動は新しい概念であるため、当局は依然として都市空気移動に適用可能な新しい飛行規則の見直しに取り組んでいる。
本研究では,深い強化学習手法と深い決定論的政策勾配アルゴリズムを用いて,自律型UAV経路計画フレームワークを提案する。
目的は、自力で訓練されたUAVを使用して、任意の環境において最も短い時間で目的地に到達することである。
動的または静的な障害との衝突を避け、パスに存在する事前の許可ゾーンに入るのを避ける必要がある。
報酬関数はトレーニングプロセスにおける決定要因である。
これにより、2つの異なる報酬関数組成を比較し、選択された組成をピソンでRLアルゴリズムを符号化してUAVを訓練する。
最後に、数値シミュレーションにより、空域の有効容量を推定できる様々なシナリオにおけるUAVの成功率を調査した。
関連論文リスト
- Self-organized free-flight arrival for urban air mobility [0.9217021281095907]
都市空気移動は、垂直離着陸(eVTOL)車両がバーティポートと呼ばれるノード間で運行される革新的な輸送手段である。
深層強化学習に基づく自己組織型頂点到着システムについて概説する。
それぞれの航空機は個別のエージェントと見なされ、共有されたポリシーに従っており、その結果、ローカル情報に基づく分散された行動をもたらす。
論文 参考訳（メタデータ） (2024-04-04T13:43:17Z) - Integrated Conflict Management for UAM with Strategic Demand Capacity
Balancing and Learning-based Tactical Deconfliction [3.074861321741328]
本稿では,戦略紛争管理のための要求キャパシティ・バランシング(DCB)と戦術的分離のための強化学習を組み合わせた新たなフレームワークを提案する。
以上の結果から,このDCBプレコンディショニングにより,他の方法では不可能な安全レベルを達成できることが示唆された。
論文 参考訳（メタデータ） (2023-05-17T20:23:18Z) - Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳（メタデータ） (2022-05-13T21:55:28Z) - Obstacle Avoidance for UAS in Continuous Action Space Using Deep
Reinforcement Learning [9.891207216312937]
小型無人航空機の障害物回避は将来の都市空輸の安全に不可欠である。
本稿では, PPO(Proximal Policy Optimization)に基づく深層強化学習アルゴリズムを提案する。
その結果,提案モデルが正確かつ堅牢なガイダンスを提供し,99%以上の成功率で競合を解消できることが示唆された。
論文 参考訳（メタデータ） (2021-11-13T04:44:53Z) - 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) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z) - 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) - An Autonomous Free Airspace En-route Controller using Deep Reinforcement
Learning Techniques [24.59017394648942]
航空機の任意の数の航空機を3次元非構造空域に誘導する航空交通制御モデルが提示される。
その結果,航空交通管制モデルが現実的な交通密度で良好に機能していることが示唆された。
潜在的な衝突の100%を回避し、潜在的な衝突の89.8%を防止して、空域を管理することができる。
論文 参考訳（メタデータ） (2020-07-03T10:37:25Z) - Congestion-aware Evacuation Routing using Augmented Reality Devices [96.68280427555808]
複数の目的地間でリアルタイムに個別の避難経路を生成する屋内避難のための渋滞対応ルーティングソリューションを提案する。
建物内の混雑分布をモデル化するために、ユーザエンド拡張現実(AR)デバイスから避難者の位置を集約して、オンザフライで取得した人口密度マップを用いる。
論文 参考訳（メタデータ） (2020-04-25T22:54:35Z) - Autonomous UAV Navigation: A DDPG-based Deep Reinforcement Learning
Approach [1.552282932199974]
深層強化学習を用いた自律型UAV経路計画フレームワークを提案する。
目的は、自力で訓練されたUAVを空飛ぶ移動体ユニットとして使用し、空間的に分散した移動または静的な目標に到達することである。
論文 参考訳（メタデータ） (2020-03-21T19:33:00Z) - Simultaneous Navigation and Radio Mapping for Cellular-Connected UAV
with Deep Reinforcement Learning [46.55077580093577]
空のUAVに対して、ユビキタスな3Dコミュニケーションを実現するには、新しい課題だ。
本稿では,UAVの制御可能な移動性を利用して航法・軌道を設計する新しい航法手法を提案する。
そこで我々は,UAVの信号計測を深部Qネットワークのトレーニングに用いるSNARM (Concurrent Navigation and Radio Mapping) という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T08:16:14Z)
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。