論文の概要: SO(2)-Equivariant Downwash Models for Close Proximity Flight

• arxiv url: http://arxiv.org/abs/2305.18983v1
• Date: Tue, 30 May 2023 12:27:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 20:37:09.999447
• Title: SO(2)-Equivariant Downwash Models for Close Proximity Flight
• Title（参考訳）: 近接飛行のためのso(2)同変ダウンウォッシュモデル
• Authors: H. Smith, A. Shankar, J. Blumenkamp, J. Gielis, A. Prorok
• Abstract要約: 近接飛行するマルチローターはプロペラダウンウォッシュを介して互いに空力覚醒効果を誘導する。 我々は、ダウンウォッシュ場に存在する潜伏幾何学(例えば対称性)を活用して、経験豊富な発生力のモデルを正確かつ効率的に学習する。 我々の幾何認識モデルは、モデルが3分の1の大きさで、トレーニングデータの3分の1にアクセスできる場合でも、同等のベースラインよりも改善を提供する。
• 参考スコア（独自算出の注目度）: 5.039813366558306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multirotors flying in close proximity induce aerodynamic wake effects on each other through propeller downwash. Conventional methods have thus far fallen short of providing adequate 3D force-based models that can be incorporated into robust control paradigms required when designing and deploying dense flight formations. Thus, learning a model for these aerodynamic downwash patterns presents an attractive solution. However, given the computational cost and inadequacy of downwash field simulators for real-world flight settings, data collection for training is confined to real-world experimentation, enforcing the need for sample efficient methods. In this paper, we leverage the latent geometry (e.g., symmetries) present in the downwash fields to accurately and efficiently learn models for the experienced exogenic forces. Using real world experiments, we demonstrate that our geometry-aware model provides improvements over comparable baselines, even when the model is 1/35th the size and has access to a third of the training data.
• Abstract（参考訳）: 近接飛行するマルチローターはプロペラダウンウォッシュを介して互いに空力覚醒効果を誘導する。 従来の方法では、密集した飛行形態の設計および展開に必要な堅牢な制御パラダイムに組み込むことのできる、適切な3D力ベースのモデルを提供しられなかった。 したがって、これらの空力ダウンウォッシュパターンのモデルを学ぶことは魅力的な解である。 しかし、実世界の飛行設定のためのダウンウォッシュフィールドシミュレータの計算コストと不備を考えると、トレーニングのためのデータ収集は実世界の実験に限定され、サンプルの効率的な方法が必要となる。 本稿では, ダウンウォッシュフィールドに存在する潜時幾何学(例えば対称性)を活用し, 経験豊富な発生力のモデルを高精度かつ効率的に学習する。 実世界実験を用いて,モデルのサイズが1/35 分の1で,トレーニングデータの3分の1へのアクセスがある場合でも,形状認識モデルが同等のベースラインよりも改善できることを実証した。

関連論文リスト

• Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning [10.191783697332227]
  機械学習モデルは、超音速旋回翼流場を迅速に取得する有望な方法を提供する。 モデルを効率的に学習するための物理組込み移動学習フレームワークを提案する。 データセットのサイズを減らすには、ウィングトレーニングサンプルの半分未満は、非トランスファーフレームワークと同じエラーレベルに達する必要がある。
  論文  参考訳（メタデータ） (2024-09-19T12:35:59Z)
• An Integrated Imitation and Reinforcement Learning Methodology for Robust Agile Aircraft Control with Limited Pilot Demonstration Data [3.3748750222488657]
  本稿では,アジャイル航空機のデータ駆動操作生成モデルの構築手法を提案する。 提案手法は, 模倣学習, 伝達学習, 強化学習の技法を組み合わせて, この目的を達成する。
  論文  参考訳（メタデータ） (2023-12-27T14:26:34Z)
• Reusing Pretrained Models by Multi-linear Operators for Efficient Training [65.64075958382034]
  大規模なモデルをスクラッチからトレーニングすることは、通常、かなりの量のリソースを必要とする。 bert2BERT や LiGO といった最近の研究は、大規模なモデルを初期化するために、小さな事前訓練されたモデルを再利用している。 本稿では,対象モデルの各重みを事前学習モデルの全重みに線形に相関させる手法を提案する。
  論文  参考訳（メタデータ） (2023-10-16T06:16:47Z)
• DiffHPE: Robust, Coherent 3D Human Pose Lifting with Diffusion [54.0238087499699]
  拡散モデルにより,人間のポーズ推定精度,ロバスト性,コヒーレンス性が向上することを示す。 3D-HPEにおける拡散モデルを利用する新しい戦略であるDiffHPEを紹介する。 以上の結果から, 独立拡散モデルにより, 予測可能な性能が得られる一方で, 教師付きモデルと組み合わせて精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-09-04T12:54:10Z)
• Robust Category-Level 3D Pose Estimation from Synthetic Data [17.247607850702558]
  CADモデルから生成されたオブジェクトポーズ推定のための新しい合成データセットであるSyntheticP3Dを紹介する。 逆レンダリングによるポーズ推定を行うニューラルネットワークモデルをトレーニングするための新しいアプローチ(CC3D)を提案する。
  論文  参考訳（メタデータ） (2023-05-25T14:56:03Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)
• Dynamic Model Pruning with Feedback [64.019079257231]
  余分なオーバーヘッドを伴わずにスパーストレーニングモデルを生成する新しいモデル圧縮法を提案する。 CIFAR-10 と ImageNet を用いて本手法の評価を行い,得られたスパースモデルが高密度モデルの最先端性能に到達可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-12T15:07:08Z)
• Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
  乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。 等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2020-05-18T18:45:09Z)
• Deformation-Aware 3D Model Embedding and Retrieval [37.538109895618156]
  与えられたクエリ形状に変形可能な3Dモデルを取得するという新しい問題を導入する。 位置依存型自我中心距離場を利用して非対称な関係を学習する新しいディープ埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2020-04-02T19:10:57Z)

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。