論文の概要: Neural Network Algorithm for Intercepting Targets Moving Along Known
Trajectories by a Dubins' Car
- arxiv url: http://arxiv.org/abs/2304.06169v1
- Date: Wed, 12 Apr 2023 21:52:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 16:07:51.207038
- Title: Neural Network Algorithm for Intercepting Targets Moving Along Known
Trajectories by a Dubins' Car
- Title（参考訳）: ダビンズ車による未知軌道に沿って移動するターゲットの知覚のためのニューラルネットワークアルゴリズム
- Authors: Ivan Nasonov and Andrey Galyaev and Andrey Medvedev
- Abstract要約: 時間最適制御問題として、Dubinsの車によって直線または円軌道に沿って移動する目標を迎撃する作業が定式化される。
Deep Deterministic Policy Gradientアルゴリズムに基づく教師なし学習のニューラルネットワーク手法を用いる。
対象運動の所定のクラスに対するインターセプショントラジェクトリの合成にニューラルネットワーク法を用いることの有効性を示す。
- 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: The task of intercepting a target moving along a rectilinear or circular
trajectory by a Dubins' car is formulated as a time-optimal control problem
with an arbitrary direction of the car's velocity at the interception moment.
To solve this problem and to synthesize interception trajectories, neural
network methods of unsupervised learning based on the Deep Deterministic Policy
Gradient algorithm are used. The analysis of the obtained control laws and
interception trajectories in comparison with the analytical solutions of the
interception problem is performed. The mathematical modeling for the parameters
of the target movement that the neural network had not seen before during
training is carried out. Model experiments are conducted to test the stability
of the neural solution. The effectiveness of using neural network methods for
the synthesis of interception trajectories for given classes of target
movements is shown.
- Abstract（参考訳）: 迎撃モーメントにおける車両の速度の任意の方向の時間最適制御問題として、ダビンス車によって直線または円形軌道に沿って移動する目標を迎撃するタスクを定式化する。
この問題を解き、interception trajectoriesを合成するために、深い決定論的ポリシー勾配アルゴリズムに基づく教師なし学習のニューラルネットワーク手法を用いる。
得られた制御則とインターセプション軌道の解析と、インターセプション問題の解析解との比較を行う。
トレーニング中にニューラルネットワークがこれまで見ていなかったターゲット運動のパラメータの数学的モデリングを行う。
モデル実験は、神経溶液の安定性をテストするために行われる。
対象動作の特定のクラスに対するインターセプショントラジェクタの合成にニューラルネットワーク法を用いることの有効性を示した。
関連論文リスト
- Online waveform selection for cognitive radar [8.187445866881637]
オンライン方式で波形パラメータを選択する適応アルゴリズムを提案する。
本稿では,帯域幅のスケーリング,Qラーニング,Qラーニングのルックアヘッドという3つの強化学習アルゴリズムを提案する。
提案アルゴリズムは、目標を失わずにレンジ誤差を最小化し、連続的な追跡を維持するという2つの目的を達成する。
論文 参考訳（メタデータ） (2024-10-14T15:01:41Z) - Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Drift Reduction for Monocular Visual Odometry of Intelligent Vehicles
using Feedforward Neural Networks [0.0]
視覚計測アルゴリズムは、連続するカメラフレーム間の車両のインクリメンタルな動きを計算する。
提案するニューラルネットワークは,車両の姿勢推定における誤差を低減する。
その結果,漸進方向推定における誤差の低減に提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-07-02T21:28:41Z) - Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value
Functions [65.84090965167535]
本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。
このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
論文 参考訳（メタデータ） (2022-06-29T18:47:05Z) - Collision-Free Navigation using Evolutionary Symmetrical Neural Networks [0.0]
本稿では、反応衝突回避のための進化的ニューラルネットワークを用いた以前の研究を拡張した。
我々は、対称ニューラルネットワークと呼ばれる新しい手法を提案している。
この手法は,ネットワーク重み間の制約を強制することにより,モデルの性能を向上させる。
論文 参考訳（メタデータ） (2022-03-29T13:02:14Z) - Dynamic Origin-Destination Matrix Estimation in Urban Traffic Networks [0.05735035463793007]
この問題を二段階最適化問題としてモデル化する。
内部レベルでは、暫定的な旅行需要を前提として、動的な交通割当問題を解決し、利用者の出身地と目的地間のルーティングを決定する。
外層部では,交通ネットワーク内のセンサによって測定された車両数と内層部で発生したカウンタの差を最小限に抑えることを目的として,旅行数とその出発点および目的地の調整を行う。
論文 参考訳（メタデータ） (2022-01-31T21:33:46Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳（メタデータ） (2021-02-24T05:02:19Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳（メタデータ） (2020-08-19T15:22:15Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。