論文の概要: Deep Learning Based Situation Awareness for Multiple Missiles Evasion
- arxiv url: http://arxiv.org/abs/2402.10101v1
- Date: Wed, 7 Feb 2024 14:21:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 12:40:57.048135
- Title: Deep Learning Based Situation Awareness for Multiple Missiles Evasion
- Title（参考訳）: 深層学習による複数のミサイルの侵入状況認識
- Authors: Edvards Scukins, Markus Klein, Lars Kroon, Petter \"Ogren
- Abstract要約: 本研究では,BVR(Beyond Visual Range)空戦シナリオにおけるUAV運用者を支援するための意思決定支援ツールを提案する。
提案手法は,Deep Neural Networks (DNN) を用いて高忠実度シミュレーションから学習し,演算子に異なる戦略の集合に対する結果推定値を与える。
提案システムは,複数のミサイルを運用し,選択肢のファミリーを評価し,最もリスクの低い行動手順を推奨できることを示す。
- 参考スコア（独自算出の注目度）: 1.7819574476785418
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the effective range of air-to-air missiles increases, it becomes harder
for human operators to maintain the situational awareness needed to keep a UAV
safe. In this work, we propose a decision support tool to help UAV operators in
Beyond Visual Range (BVR) air combat scenarios assess the risks of different
options and make decisions based on those. Earlier work focused on the threat
posed by a single missile, and in this work, we extend the ideas to several
missile threats. The proposed method uses Deep Neural Networks (DNN) to learn
from high-fidelity simulations to provide the operator with an outcome estimate
for a set of different strategies. Our results demonstrate that the proposed
system can manage multiple incoming missiles, evaluate a family of options, and
recommend the least risky course of action.
- Abstract（参考訳）: 空対空ミサイルの有効射程が増加するにつれて、人間のオペレーターはuavを安全に保つために必要な状況認識を維持することが難しくなる。
本研究では,bvr(beyond visual range)の航空戦闘シナリオにおいて,異なる選択肢のリスクを評価し,それに基づいて意思決定を行うuav運用者を支援する意思決定支援ツールを提案する。
以前の作業では、単一のミサイルによる脅威に焦点を当てており、この作業では、アイデアをいくつかのミサイル脅威にまで拡張しています。
提案手法は,Deep Neural Networks (DNN) を用いて高忠実度シミュレーションから学習し,演算子に異なる戦略の集合に対する結果推定値を与える。
提案システムは,複数のミサイルを運用し,選択肢のファミリーを評価し,最もリスクの低い行動手順を推奨できることを示す。
関連論文リスト
- Autonomous Decision Making for UAV Cooperative Pursuit-Evasion Game with Reinforcement Learning [50.33447711072726]
本稿では,マルチロールUAV協調追従ゲームにおける意思決定のための深層強化学習モデルを提案する。
提案手法は,追従回避ゲームシナリオにおけるUAVの自律的意思決定を可能にする。
論文 参考訳（メタデータ） (2024-11-05T10:45:30Z) - Intercepting Unauthorized Aerial Robots in Controlled Airspace Using Reinforcement Learning [2.519319150166215]
制御空域における無人航空機(UAV)の増殖は重大なリスクをもたらす。
この作業は、強化学習(RL)を用いることで、そのような脅威を管理することのできる堅牢で適応的なシステムの必要性に対処する。
固定翼UAV追跡エージェントの訓練にRLを用いる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-09T14:45:47Z) - UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。
ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
論文 参考訳（メタデータ） (2024-04-11T03:19:22Z) - Anti-Jamming Path Planning Using GCN for Multi-UAV [0.0]
UAVスワーミングの有効性は、ジャミング技術によって著しく損なわれる可能性がある。
UAV群集が集団知能を利用してジャム領域を予測する手法が提案されている。
マルチエージェント制御アルゴリズムを使用して、UAVスワムを分散し、ジャミングを回避し、ターゲットに到達すると再グループ化する。
論文 参考訳（メタデータ） (2024-03-13T07:28:05Z) - Autonomous Strike UAVs for Counterterrorism Missions: Challenges and
Preliminary Solutions [1.03590082373586]
無人航空機(UAV)は現代の戦争において重要な道具となっている。
この研究の焦点は、自律型UAVによる高度に価値の高い目標に対するストライキミッションの実施である。
論文 参考訳（メタデータ） (2024-03-01T22:52:30Z) - A Survey of Security in UAVs and FANETs: Issues, Threats, Analysis of Attacks, and Solutions [1.0923877073891446]
UAVとUAV間の通信を提供するネットワークのセキュリティを確保することが重要である。
この調査は、UAVとFlying Ad Hoc Networks(FANETs)のドメイン内のセキュリティに関する総合的な視点を提供することを目指している。
論文 参考訳（メタデータ） (2023-06-25T16:15:40Z) - A Multi-UAV System for Exploration and Target Finding in Cluttered and
GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。
UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。
その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文 参考訳（メタデータ） (2021-07-19T12:54:04Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳（メタデータ） (2021-05-28T08:45:37Z) - Distributed Reinforcement Learning for Flexible and Efficient UAV Swarm
Control [28.463670610865837]
本稿では,大規模群に拡大する分散強化学習(RL)手法を提案する。
本実験では, 本手法がコミュニケーションチャネル障害に強い効果的な戦略を導出できることを示した。
また,本手法は計算集約的なルックアヘッドに比べて優れた性能を実現することを示す。
論文 参考訳（メタデータ） (2021-03-08T11:06:28Z) - Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。
エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。
UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
論文 参考訳（メタデータ） (2021-03-03T20:54:19Z) - Adversarial defense for automatic speaker verification by cascaded
self-supervised learning models [101.42920161993455]
ますます悪意のある攻撃者は、自動話者検証(ASV)システムで敵攻撃を仕掛けようとする。
本稿では,逐次的自己教師付き学習モデルに基づく標準的かつ攻撃非依存な手法を提案する。
実験により, 本手法は効果的な防御性能を実現し, 敵攻撃に対抗できることを示した。
論文 参考訳（メタデータ） (2021-02-14T01:56:43Z)
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。