論文の概要: Fast Decision Support for Air Traffic Management at Urban Air Mobility Vertiports using Graph Learning

• arxiv url: http://arxiv.org/abs/2308.09075v1
• Date: Thu, 17 Aug 2023 16:05:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 16:06:38.814831
• Title: Fast Decision Support for Air Traffic Management at Urban Air Mobility Vertiports using Graph Learning
• Title（参考訳）: グラフ学習を用いた都市空調バーティポートにおける航空交通管理の高速化支援
• Authors: Prajit KrisshnaKumar, Jhoel Witter, Steve Paul, Hanvit Cho, Karthik Dantu, and Souma Chowdhury
• Abstract要約: アーバン・エアモビリティ(UAM)航空機は、バーティポートと呼ばれる小さな空港から運用される。 このスケジュールをリアルタイムで管理することは、従来の航空交通管制官にとって難しいが、代わりに自動化されたソリューションを求めている。 本稿では,UAM-VSM(Urban Air Mobility - Vertiport Schedule Management)問題に対する新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 7.2547164017692625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban Air Mobility (UAM) promises a new dimension to decongested, safe, and fast travel in urban and suburban hubs. These UAM aircraft are conceived to operate from small airports called vertiports each comprising multiple take-off/landing and battery-recharging spots. Since they might be situated in dense urban areas and need to handle many aircraft landings and take-offs each hour, managing this schedule in real-time becomes challenging for a traditional air-traffic controller but instead calls for an automated solution. This paper provides a novel approach to this problem of Urban Air Mobility - Vertiport Schedule Management (UAM-VSM), which leverages graph reinforcement learning to generate decision-support policies. Here the designated physical spots within the vertiport's airspace and the vehicles being managed are represented as two separate graphs, with feature extraction performed through a graph convolutional network (GCN). Extracted features are passed onto perceptron layers to decide actions such as continue to hover or cruise, continue idling or take-off, or land on an allocated vertiport spot. Performance is measured based on delays, safety (no. of collisions) and battery consumption. Through realistic simulations in AirSim applied to scaled down multi-rotor vehicles, our results demonstrate the suitability of using graph reinforcement learning to solve the UAM-VSM problem and its superiority to basic reinforcement learning (with graph embeddings) or random choice baselines.
• Abstract（参考訳）: アーバン・エア・モビリティ(uam)は、都市や郊外のハブで、安全で高速に移動できる新しい次元を約束している。 これらのUAM機は、複数の離陸/着陸地点と蓄電池スポットからなるバーティポートと呼ばれる小さな空港から運用される。 密集した都市部に位置し、多くの航空機の着陸や離陸を毎時行う必要があるため、このスケジュールをリアルタイムで管理することは従来の航空交通管制官にとって困難であり、代わりに自動化された解決策を求めている。 本稿では,この課題に対する新しいアプローチとして,グラフ強化学習を活用し,意思決定支援政策を生成するvertiport schedule management (uam-vsm)を提案する。 ここでは、バーティポートの空域内の指定された物理的スポットと管理対象車両を2つの別々のグラフとして表現し、グラフ畳み込みネットワーク(gcn)を介して特徴抽出を行う。 抽出された特徴はパーセプトロン層に渡され、ホバリングやクルーズ、アイドリングや離陸の継続、あるいは割り当てられたバーティポート地点への着陸などの行動を決定する。 性能は、遅延、安全性(衝突ゼロ)、バッテリー消費に基づいて測定される。 マルチローター車両のスケールダウンに応用したairsimの現実的なシミュレーションにより,uam-vsm問題を解くためのグラフ強化学習や,(グラフ埋め込みを用いた)基本強化学習やランダム選択ベースラインに優れていることを示す。

関連論文リスト

• Diffusion-based Auction Mechanism for Efficient Resource Management in 6G-enabled Vehicular Metaverses [57.010829427434516]
  6G対応のVehicular Metaversesでは、車両は物理的車両のデジタルレプリカとして機能するVT(Vine Twins)によって表現される。 VTタスクはリソース集約であり、高速処理のために地上基地局(BS)にオフロードする必要がある。 地上BSとUAV間の資源配分を最適化する学習型修正第2バイド(MSB)オークション機構を提案する。
  論文  参考訳（メタデータ） (2024-11-01T04:34:54Z)
• GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• A Graph-based Adversarial Imitation Learning Framework for Reliable & Realtime Fleet Scheduling in Urban Air Mobility [5.19664437943693]
  本稿では,艦隊スケジューリング問題の包括的最適化について述べる。 また、代替ソリューションのアプローチの必要性も認識している。 新しい模倣アプローチは、目に見えない最悪のシナリオにおいて、パフォーマンスと顕著な改善を実現する。
  論文  参考訳（メタデータ） (2024-07-16T18:51:24Z)
• 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)
• Graph Learning-based Fleet Scheduling for Urban Air Mobility under Operational Constraints, Varying Demand & Uncertainties [5.248564173595024]
  本稿では,電気航空機のスケジュールと目的地のオンライン計画におけるグラフ強化学習手法を提案する。 それは、時間的な需要、垂直離着陸能力、航空機の容量および空域安全ガイドラインに関する制約、離陸遅延、天候によるルート閉鎖、予想外の航空機のダウンタイムに関する不確実性を考える。
  論文  参考訳（メタデータ） (2024-01-09T23:46:22Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Multi-Agent Deep Reinforcement Learning for Dynamic Avatar Migration in AIoT-enabled Vehicular Metaverses with Trajectory Prediction [70.9337170201739]
  本稿では,その歴史データに基づいて,知的車両の将来の軌跡を予測するモデルを提案する。 提案アルゴリズムは,予測なしでアバタータスクの実行遅延を約25%削減できることを示す。
  論文  参考訳（メタデータ） (2023-06-26T13:27:11Z)
• A deep reinforcement learning approach to assess the low-altitude airspace capacity for urban air mobility [0.0]
  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。
  論文  参考訳（メタデータ） (2023-01-23T23:38:05Z)
• ADAPT: An Open-Source sUAS Payload for Real-Time Disaster Prediction and Response with AI [55.41644538483948]
  小型無人航空機システム(sUAS)は、多くの人道支援や災害対応作戦において顕著な構成要素となっている。 我々は,SUAS上にリアルタイムAIとコンピュータビジョンをデプロイするための,オープンソースのADAPTマルチミッションペイロードを開発した。 本研究では,河川氷の状態を監視し,破滅的な洪水現象をタイムリーに予測するための,リアルタイム・飛行中の氷分断の例を示す。
  論文  参考訳（メタデータ） (2022-01-25T14:51:19Z)
• Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
  垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
  論文  参考訳（メタデータ） (2021-12-26T14:41:52Z)
• Learning-to-Fly: Learning-based Collision Avoidance for Scalable Urban Air Mobility [2.117421588033177]
  複数のUASのための分散型オンデマンド空中衝突回避フレームワークであるL2F(Learning-to-Fly)を提案する。 L2Fは,1)学習に基づく意思決定方式と,2)分散線形プログラミングに基づくUAS制御アルゴリズムからなる2段階衝突回避手法である。 本手法のリアルタイム適用性は,MILP法よりも6000ドル高速であり,操作の余地が十分ある場合,100%の衝突を解消できる。
  論文  参考訳（メタデータ） (2020-06-23T18:46:31Z)

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。