Fugu-MT 論文翻訳(概要): WindSeer: Real-time volumetric wind prediction over complex terrain aboard a small UAV

論文の概要: WindSeer: Real-time volumetric wind prediction over complex terrain aboard a small UAV

arxiv url: http://arxiv.org/abs/2401.09944v1
Date: Thu, 18 Jan 2024 12:46:26 GMT
ステータス: 処理完了
システム内更新日: 2024-01-19 16:49:41.403661
Title: WindSeer: Real-time volumetric wind prediction over complex terrain aboard a small UAV
Title（参考訳）: WindSeer: 小さなUAV上の複雑な地形におけるリアルタイムの体積風速予測
Authors: Florian Achermann, Thomas Stastny, Bogdan Danciu, Andrey Kolobov, Jen Jen Chung, Roland Siegwart, and Nicholas Lawrance
Abstract要約: 計算流体力学シミュレーションの合成データのみを用いてニューラルネットワークであるWindSeerを訓練する。 WindSeerは、未確認の地形上で異なる解像度とドメインサイズで正確な予測を、再トレーニングすることなく生成することができる。本研究では,気象観測所が収集した過去の風速と,ドローンによる風速の予測に成功していることを示す。
参考スコア（独自算出の注目度）: 29.345342470012724
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Real-time high-resolution wind predictions are beneficial for various applications including safe manned and unmanned aviation. Current weather models require too much compute and lack the necessary predictive capabilities as they are valid only at the scale of multiple kilometers and hours - much lower spatial and temporal resolutions than these applications require. Our work, for the first time, demonstrates the ability to predict low-altitude wind in real-time on limited-compute devices, from only sparse measurement data. We train a neural network, WindSeer, using only synthetic data from computational fluid dynamics simulations and show that it can successfully predict real wind fields over terrain with known topography from just a few noisy and spatially clustered wind measurements. WindSeer can generate accurate predictions at different resolutions and domain sizes on previously unseen topography without retraining. We demonstrate that the model successfully predicts historical wind data collected by weather stations and wind measured onboard drones.
Abstract（参考訳）: リアルタイム高解像度風速予測は、安全な有人飛行や無人飛行を含む様々な用途に有用である。現在の気象モデルは計算量が多く、数キロと数時間のスケールでしか有効ではないため、必要な予測能力が欠如している。我々の研究は、ごくわずかな測定データのみから、限られた計算装置上でリアルタイムで低高度風を予測できることを初めて実証した。我々は,計算流体力学シミュレーションによる合成データのみを用いてニューラルネットワークであるwindseerを訓練し,幾つかの雑音と空間的に分布する風観測から,地形上の実際の風場を予測できることを示した。 WindSeerは、未確認の地形上で異なる解像度とドメインサイズで正確な予測を生成することができる。このモデルは,気象観測所が収集した過去の風速データと,ドローンに搭載された風速データをうまく予測できることを実証する。

関連論文リスト

Reduction of rain-induced errors for wind speed estimation on SAR observations using convolutional neural networks [0.16067645574373132]
降雨時の誤差を低減した風速推定器を訓練する。その結果,SAR製品における降雨関連誤差を補正する深層学習モデルの能力が示された。
論文参考訳（メタデータ） (2023-03-16T10:19:14Z)
An unsupervised learning approach for predicting wind farm power and downstream wakes using weather patterns [0.0]
我々は,教師なしクラスタリング手法から得られた気象パターンと数値的な天気予報モデルを組み合わせた新しい風力エネルギーワークフローを開発した。我々の長期予測は1年間のWRFシミュレーションと一致するが、計算時間は2%未満であることを示す。提案手法は、高速で正確で柔軟な手法を提供することにより、出力および下流ファームウェイの複数年間の予測を容易にする。
論文参考訳（メタデータ） (2023-02-12T10:05:25Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文参考訳（メタデータ） (2022-08-18T15:27:40Z)
Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文参考訳（メタデータ） (2022-05-13T21:55:28Z)
Wind power predictions from nowcasts to 4-hour forecasts: a learning approach with variable selection [1.4623784198777086]
風速と風力の短期予測(毎時10分から4時間前)について検討する。風力予測には、間接的アプローチ(風速予測はパワーカーブを通過する)と間接的アプローチ(直接的風力予測)を比較する。
論文参考訳（メタデータ） (2022-04-20T10:09:22Z)
Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。最適設計と性能は場所によって異なることがわかった。
論文参考訳（メタデータ） (2022-04-01T14:55:10Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Deep Learning for Rain Fade Prediction in Satellite Communications [6.619650459583444]
視線衛星システム、無人航空機、高高度プラットフォーム、マイクロ波リンクは雨の影響を受けやすい。これらのシステムの降雨量予測は、降雨量発生前の地上ゲートウェイを積極的に切り替えてシームレスなサービスを維持するために重要である。衛星画像データとレーダー画像データとリンク電力測定を用いて将来の雨害を予測するディープラーニングアーキテクチャが提案されている。
論文参考訳（メタデータ） (2021-10-02T00:43:02Z)
Smart Weather Forecasting Using Machine Learning:A Case Study in Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。モデルの精度は、現在の最先端技術と併用するのに十分である。
論文参考訳（メタデータ） (2020-08-25T02:41:32Z)

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。