論文の概要: Bird Movement Prediction Using Long Short-Term Memory Networks to
Prevent Bird Strikes with Low Altitude Aircraft
- arxiv url: http://arxiv.org/abs/2312.12461v1
- Date: Sun, 17 Dec 2023 20:12:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 18:40:22.780270
- Title: Bird Movement Prediction Using Long Short-Term Memory Networks to
Prevent Bird Strikes with Low Altitude Aircraft
- Title（参考訳）: 低高度航空機によるバードストライク防止のための長期短期記憶ネットワークを用いた鳥の移動予測
- Authors: Elaheh Sabziyan Varnousfaderani, Syed A. M. Shihab
- Abstract要約: 空域内での航空機と鳥の衝突数は過去10年間で急増している。
アドバンスト・エアモビリティ(Advanced Air Mobility)が低高度空域で運用を開始すると、航空機による鳥の攻撃は劇的に増加すると予想されている。
我々は,鳥の動きの緯度と経度を予測するために,LSTM(Long Short-Term Memory)モデルを4種類実装した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The number of collisions between aircraft and birds in the airspace has been
increasing at an alarming rate over the past decade due to increasing bird
population, air traffic and usage of quieter aircraft. Bird strikes with
aircraft are anticipated to increase dramatically when emerging Advanced Air
Mobility aircraft start operating in the low altitude airspace where
probability of bird strikes is the highest. Not only do such bird strikes can
result in human and bird fatalities, but they also cost the aviation industry
millions of dollars in damages to aircraft annually. To better understand the
causes and effects of bird strikes, research to date has mainly focused on
analyzing factors which increase the probability of bird strikes, identifying
high risk birds in different locations, predicting the future number of bird
strike incidents, and estimating cost of bird strike damages. However, research
on bird movement prediction for use in flight planning algorithms to minimize
the probability of bird strikes is very limited. To address this gap in
research, we implement four different types of Long Short-Term Memory (LSTM)
models to predict bird movement latitudes and longitudes. A publicly available
data set on the movement of pigeons is utilized to train the models and
evaluate their performances. Using the bird flight track predictions, aircraft
departures from Cleveland Hopkins airport are simulated to be delayed by
varying amounts to avoid potential bird strikes with aircraft during takeoff.
Results demonstrate that the LSTM models can predict bird movement with high
accuracy, achieving a Mean Absolute Error of less than 100 meters,
outperforming linear and nonlinear regression models. Our findings indicate
that incorporating bird movement prediction into flight planning can be highly
beneficial.
- Abstract（参考訳）: 空域での航空機と鳥の衝突は、鳥の個体数の増加、航空交通量の増加、静かな航空機の使用などにより、過去10年間に急増している。
新型のアドバンスト・エアモビリティ(Advanced Air Mobility)航空機が低高度空域で飛行を開始すると、航空機による鳥の攻撃は劇的に増加すると予想されている。
このようなバードストライクは人間や鳥の死亡事故を引き起こすだけでなく、航空機業界に毎年何百万ドルもの損害を与えている。
鳥による攻撃の原因と影響をよりよく理解するために、これまでの研究は、鳥による攻撃の確率を増大させる要因の分析、異なる場所における高いリスクを持つ鳥の特定、鳥による攻撃の今後の数の予測、鳥による攻撃の損害の見積もりに重点を置いてきた。
しかし,鳥が飛来する確率を最小化するための飛行計画アルゴリズムにおける鳥の動き予測に関する研究は非常に限られている。
このギャップに対処するため,鳥の動きの緯度と経度を予測するために,LSTM(Long Short-Term Memory)モデルを4種類実装した。
ハトの動きに関する公開データセットを使用して、モデルをトレーニングし、パフォーマンスを評価する。
鳥の飛行軌道予測を用いて、クリーブランドホプキンス空港からの航空機の出発は、離陸中に航空機による鳥の攻撃を避けるために、様々な量で遅延するようシミュレーションされる。
その結果、LSTMモデルは、100m未満の平均絶対誤差を達成し、線形回帰モデルや非線形回帰モデルよりも高い精度で鳥の動きを予測できることを示した。
以上の結果から,飛行計画に鳥の動き予測を組み込むことが極めて有益であることが示唆された。
関連論文リスト
- Research on Flight Accidents Prediction based Back Propagation Neural Network [0.0]
本研究では, バックプロパゲーションニューラルネットワークに基づくモデルを用いて, 飛行事故の予測を行った。
過去の飛行データを収集することにより、事故の危険性を特定するために、バックプロパゲーションニューラルネットワークモデルを訓練した。
実験により、このモデルでは、高精度で信頼性の高い飛行事故を効果的に予測できることが示されている。
論文 参考訳（メタデータ） (2024-06-20T02:51:27Z) - Adaptive Human Trajectory Prediction via Latent Corridors [49.13061580045407]
シーン固有の適応軌道予測の問題を定式化する。
本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。
0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
論文 参考訳（メタデータ） (2023-12-11T18:59:12Z) - UAVs and Birds: Enhancing Short-Range Navigation through Budgerigar Flight Studies [2.3884184860468136]
本研究は,Budgerigars (Melopsittacus undulatus) の飛行行動について検討し,飛行軌跡や運動の知見を得た。
ステレオビデオカメラ記録からの3次元再構成を用いて, 3回の離陸, 飛行, 着陸時の速度, 加速度パターンを綿密に検討した。
この研究は、鳥類で観察される生物学的原理と、より効率的で自律的なUAVの開発におけるこれらの洞察の応用のギャップを埋めることを目的としている。
論文 参考訳（メタデータ） (2023-12-01T14:02:16Z) - AirBirds: A Large-scale Challenging Dataset for Bird Strike Prevention
in Real-world Airports [10.295528237139235]
本稿では、118,312の時系列画像からなる大規模な挑戦的データセットAirBirdsを提案する。
すべてのアノテーション付きインスタンスの平均サイズは1920x1080画像の10ピクセルより小さい。
データセット内の画像は、現実世界の空港に配備されたカメラネットワークによって、一年で4シーズンにわたってキャプチャされる。
論文 参考訳（メタデータ） (2023-04-23T14:19:28Z) - Inferring Traffic Models in Terminal Airspace from Flight Tracks and
Procedures [52.25258289718559]
本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。
任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
論文 参考訳（メタデータ） (2023-03-17T13:58:06Z) - Flying Bird Object Detection Algorithm in Surveillance Video Based on
Motion Information [0.0]
監視ビデオでは、オブジェクトのサイズは小さい(低信号対雑音比(SNR))。
物体追跡アルゴリズムは、不審な飛行する鳥の物体を追跡し、その運動距離(MR)を計算するために使用される
同時に、不審飛行鳥物体のMRの大きさを移動速度に応じて適応的に調整する。
ASt-CubesをベースとしたLightWeight U-Shape Net (LW-USN)は、飛ぶ鳥の物体を検出するように設計されている。
論文 参考訳（メタデータ） (2023-01-05T05:32:22Z) - Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。
畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
論文 参考訳（メタデータ） (2022-10-10T17:37:56Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳（メタデータ） (2022-09-19T03:34:59Z) - Phased Flight Trajectory Prediction with Deep Learning [8.898269198985576]
過去10年間で民間航空会社や民間機が前例のない増加を遂げたことは、航空交通管理の課題となっている。
正確な飛行軌跡予測は、安全かつ秩序ある飛行の決定に寄与する航空輸送管理において非常に重要である。
本研究では,大型旅客・輸送航空機の飛行軌道予測における最先端手法よりも優れた位相付き飛行軌道予測フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-17T02:16:02Z) - T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。
従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。
本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
論文 参考訳（メタデータ） (2020-10-26T21:14:15Z) - Adversarial Fooling Beyond "Flipping the Label" [54.23547006072598]
CNNは、多くの重要なタスクにおいて、人間に近いか、人間のパフォーマンスよりも優れていることを示す。
これらの攻撃は、実際の展開において潜在的に危険である。
異なるCNNアーキテクチャの集合に対するいくつかの重要な敵攻撃を包括的に分析する。
論文 参考訳（メタデータ） (2020-04-27T13:21:03Z)
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。