論文の概要: Chasing the Intruder: A Reinforcement Learning Approach for Tracking Intruder Drones

• arxiv url: http://arxiv.org/abs/2309.05070v1
• Date: Sun, 10 Sep 2023 16:31:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 14:48:00.301111
• Title: Chasing the Intruder: A Reinforcement Learning Approach for Tracking Intruder Drones
• Title（参考訳）: 侵入者の追跡: 侵入者追跡のための強化学習アプローチ
• Authors: Shivam Kainth, Subham Sahoo, Rajtilak Pal, Shashi Shekhar Jha
• Abstract要約: 本研究では、チェッカードローンを用いて侵入者ドローンを識別・追跡するための強化学習に基づくアプローチを提案する。 提案手法は、強化学習の政策学習フレームワークにインターリーブされたコンピュータビジョン技術を用いている。 その結果、強化学習に基づくポリシーは、侵入者ドローンを識別・追跡するために収束していることがわかった。
• 参考スコア（独自算出の注目度）: 0.08192907805418582
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drones are becoming versatile in a myriad of applications. This has led to the use of drones for spying and intruding into the restricted or private air spaces. Such foul use of drone technology is dangerous for the safety and security of many critical infrastructures. In addition, due to the varied low-cost design and agility of the drones, it is a challenging task to identify and track them using the conventional radar systems. In this paper, we propose a reinforcement learning based approach for identifying and tracking any intruder drone using a chaser drone. Our proposed solution uses computer vision techniques interleaved with the policy learning framework of reinforcement learning to learn a control policy for chasing the intruder drone. The whole system has been implemented using ROS and Gazebo along with the Ardupilot based flight controller. The results show that the reinforcement learning based policy converges to identify and track the intruder drone. Further, the learnt policy is robust with respect to the change in speed or orientation of the intruder drone.
• Abstract（参考訳）: ドローンは、無数のアプリケーションで多用途になりつつある。 これにより、制限されたまたはプライベートな空域へのスパイや侵入にドローンが使われるようになった。 このようなドローン技術の悪用は多くの重要なインフラの安全性と安全性にとって危険である。 加えて、ドローンの低コストな設計と機敏さのために、従来のレーダーシステムを使ってそれらを特定し追跡することが難しい課題である。 本稿では,追尾ドローンを用いて侵入ドローンを識別・追跡するための強化学習に基づく手法を提案する。 提案手法は、強化学習の政策学習フレームワークにインターリーブされたコンピュータビジョン技術を用いて、侵入機を追尾する制御ポリシーを学習する。 システム全体が、ArdupilotベースのフライトコントローラとともにROSとGazeboを使用して実装されている。 その結果,強化学習に基づくポリシーが収束し,侵入ドローンの識別と追跡が可能となった。 さらに、侵入機ドローンの速度や方向の変化に対して、学習ポリシーは堅牢である。

関連論文リスト

• Obfuscated Location Disclosure for Remote ID Enabled Drones [57.66235862432006]
  RID対応ドローン(OLO-RID)の難読化位置情報開示法を提案する。 実際のドローンの位置を開示する代わりに、OLO-RIDを装備したドローンは、モバイルシナリオで異なるプライベートな難解な場所を開示する。 OLO-RIDはまた、暗号化された位置情報でRIDメッセージを拡張し、認証されたエンティティによってのみアクセスすることができる。
  論文  参考訳（メタデータ） (2024-07-19T12:35:49Z)
• Drone-type-Set: Drone types detection benchmark for drone detection and tracking [0.6294091730968154]
  本稿では,認識された物体検出モデルとの比較とともに,各種ドローンのデータセットを提供する。 異なるモデルの実験結果と各手法の記載が提供される。
  論文  参考訳（メタデータ） (2024-05-16T18:56:46Z)
• Exploring Jamming and Hijacking Attacks for Micro Aerial Drones [14.970216072065861]
  Crazyflieのエコシステムは、最も人気のあるMicro Aerial Dronesの1つであり、世界中で展開される可能性がある。 本稿では,Crazy Real Time Protocol (CRTP) に対する2つの干渉攻撃について実験的に検討する。 本実験は,自律飛行モードと非自律飛行モードの両方において,このような攻撃の有効性を示すものである。
  論文  参考訳（メタデータ） (2024-03-06T17:09:27Z)
• Sound-based drone fault classification using multitask learning [7.726132010393797]
  本稿では,DNN断層分類器とドローン音声データセットを提案する。 データセットは、無響室の3つの異なるドローンに搭載されたマイクからドローンの操作音を収集することで構築された。 得られたデータセットを用いて、短時間の入力波形から機械的故障の種類とその位置を分類する分類器である1DCNN-ResNetを訓練する。
  論文  参考訳（メタデータ） (2023-04-23T17:55:40Z)
• Unauthorized Drone Detection: Experiments and Prototypes [0.8294692832460543]
  本稿では、受信信号強度インジケータ(RSSI)と、ドローンの位置座標から生成された暗号鍵の2段階検証を利用する、新しい暗号化ベースのドローン検出方式を提案する。
  論文  参考訳（メタデータ） (2022-12-02T20:43:29Z)
• Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing [52.50284630866713]
  既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。 本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
  論文  参考訳（メタデータ） (2022-10-26T19:03:17Z)
• TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
  視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。 既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。 計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
  論文  参考訳（メタデータ） (2022-10-16T03:05:13Z)
• A dataset for multi-sensor drone detection [67.75999072448555]
  近年,小型・遠隔操作無人航空機(UAV)の使用が増加している。 ドローン検出に関するほとんどの研究は、取得デバイスの種類、ドローンの種類、検出範囲、データセットを特定することに失敗している。 我々は、赤外線および可視ビデオとオーディオファイルを含むドローン検出のための注釈付きマルチセンサーデータベースにコントリビュートする。
  論文  参考訳（メタデータ） (2021-11-02T20:52:03Z)
• Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
  本稿では,他の飛行ドローンからドローンを検知する問題に対処する。 ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。 これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-31T17:43:31Z)
• Learn by Observation: Imitation Learning for Drone Patrolling from Videos of A Human Navigator [22.06785798356346]
  本研究では,人間航法士が地上でどのように行うかを観察し,模擬することにより,ドローンに空中パトロールを学ばせることを提案する。 観察プロセスは、フレーム間の幾何一貫性を利用してデータの自動収集とアノテーションを可能にする。 アノテーション付きデータに基づいて、新たに設計されたニューラルネットワークをトレーニングし、適切な方向と翻訳を予測する。
  論文  参考訳（メタデータ） (2020-08-30T15:20:40Z)
• AlphaPilot: Autonomous Drone Racing [47.205375478625776]
  このシステムは、2019年のAlphaPilot Challengeという、初の無人ドローンレース世界選手権で成功している。 提案システムは,最大8m/sの速度に達するタイトなレースコースを通じて,ドローンを誘導することに成功した。
  論文  参考訳（メタデータ） (2020-05-26T15:45:05Z)

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。