論文の概要: BVR Gym: A Reinforcement Learning Environment for Beyond-Visual-Range Air Combat

• arxiv url: http://arxiv.org/abs/2403.17533v1
• Date: Tue, 26 Mar 2024 09:39:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 15:57:01.681011
• Title: BVR Gym: A Reinforcement Learning Environment for Beyond-Visual-Range Air Combat
• Title（参考訳）: BVR Gym: ビジュアルラジエアーコンバットの強化学習環境
• Authors: Edvards Scukins, Markus Klein, Lars Kroon, Petter Ögren,
• Abstract要約: 我々は、航空戦闘戦術の調査を支援するため、強化学習環境を構築します。 長距離ミサイルは、しばしば空中戦闘で使用される最初の兵器である。 この記事では、環境の構成要素といくつかのユースケースについて説明する。
• 参考スコア（独自算出の注目度）: 3.4311229392863463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creating new air combat tactics and discovering novel maneuvers can require numerous hours of expert pilots' time. Additionally, for each different combat scenario, the same strategies may not work since small changes in equipment performance may drastically change the air combat outcome. For this reason, we created a reinforcement learning environment to help investigate potential air combat tactics in the field of beyond-visual-range (BVR) air combat: the BVR Gym. This type of air combat is important since long-range missiles are often the first weapon to be used in aerial combat. Some existing environments provide high-fidelity simulations but are either not open source or are not adapted to the BVR air combat domain. Other environments are open source but use less accurate simulation models. Our work provides a high-fidelity environment based on the open-source flight dynamics simulator JSBSim and is adapted to the BVR air combat domain. This article describes the building blocks of the environment and some use cases.
• Abstract（参考訳）: 新しい戦闘戦術を作成し、新しい戦術を発見するには、多くの専門パイロットの時間を要する。 さらに、異なる戦闘シナリオごとに、機器性能の小さな変更が航空戦結果を大きく変える可能性があるため、同じ戦略は機能しない可能性がある。 そこで我々は,近距離空戦(BVR)分野における潜在的な空戦戦術,BVR Gymの探索を支援するため,強化学習環境を構築した。 長距離ミサイルは、しばしば空中戦闘で使用される最初の兵器であるため、この種の空中戦闘は重要である。 いくつかの既存の環境は高忠実度シミュレーションを提供しているが、オープンソースではないか、BVR空戦領域に適応していない。 他の環境はオープンソースだが、より正確なシミュレーションモデルを使用する。 本研究は、オープンソースのフライトダイナミクスシミュレータJSBSimに基づく高忠実度環境を提供し、BVR空戦領域に適応する。 この記事では、環境の構成要素といくつかのユースケースについて説明する。

関連論文リスト

• An Imitative Reinforcement Learning Framework for Autonomous Dogfight [20.150691753213817]
  無人戦闘空母(UCAV)は、空戦において決定的な役割を担っている。 本稿では,自律的な探索を可能にしつつ,専門家データを効率的に活用する,新しい擬似強化学習フレームワークを提案する。 提案した枠組みは,UCAVの「プール・ロック・ローンチ」におけるドッグファイト・ポリシーを成功に導くことができる。
  論文  参考訳（メタデータ） (2024-06-17T13:59:52Z)
• Autonomous Agent for Beyond Visual Range Air Combat: A Deep Reinforcement Learning Approach [0.2578242050187029]
  本研究は, 遠近視域(BVR)空戦シミュレーション環境において動作可能な深層強化学習に基づくエージェントの開発に寄与する。 本稿では,BVR戦闘におけるその役割を学習し,改善することができる高性能戦闘機のエージェント構築の概要について述べる。 また、仮想シミュレーションを用いて実際のパイロットの能力を調べ、訓練されたエージェントと同じ環境で対話し、パフォーマンスを比較することを望んでいる。
  論文  参考訳（メタデータ） (2023-04-19T13:54:37Z)
• Reinforcement Learning Based Self-play and State Stacking Techniques for Noisy Air Combat Environment [1.7403133838762446]
  空気戦闘の複雑さは、攻撃的な近距離演習とアジャイルな敵の行動から生じる。 本研究では,エージェントに騒音を観測する空気戦闘シミュレーションを開発した。 ノイズ低減手法として,雑音の多いRL環境に対する状態積み重ね手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T12:23:23Z)
• The eyes and hearts of UAV pilots: observations of physiological responses in real-life scenarios [64.0476282000118]
  民間機や軍用機では、パイロットはリアルなシミュレーターで自分の反応や反射を調整できる。 この作業は、現場でパイロットの行動を収集し、パフォーマンスを向上させるソリューションを提供することを目的としています。
  論文  参考訳（メタデータ） (2022-10-26T14:16:56Z)
• Harfang3D Dog-Fight Sandbox: A Reinforcement Learning Research Platform for the Customized Control Tasks of Fighter Aircrafts [0.0]
  本研究では,戦闘機用の半現実的な飛行シミュレーション環境であるHarfang3D Dog-Fight Sandboxを提案する。 強化学習を用いた航空研究における主な課題を調査するための柔軟なツールボックスである。 ソフトウェアはまた、ボット航空機の配備とマルチエージェントタスクの開発を可能にする。
  論文  参考訳（メタデータ） (2022-10-13T18:18:09Z)
• Learning a Single Near-hover Position Controller for Vastly Different Quadcopters [56.37274861303324]
  本稿では,クワッドコプターのための適応型ニアホバー位置制御器を提案する。 これは、非常に異なる質量、大きさ、運動定数を持つクワッドコプターに展開することができる。 また、実行中に未知の障害に迅速に適応する。
  論文  参考訳（メタデータ） (2022-09-19T17:55:05Z)
• E^2VTS: Energy-Efficient Video Text Spotting from Unmanned Aerial Vehicles [78.50123964690094]
  無人航空機(UAV)ベースのビデオテキストスポッティングは、民間や軍事領域で広く使われている。 提案手法は,エネルギ効率と性能の競合的なトレードオフを達成し,従来の方法よりも優れていた。
  論文  参考訳（メタデータ） (2022-06-05T22:43:17Z)
• 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)
• 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)
• RMA: Rapid Motor Adaptation for Legged Robots [71.61319876928009]
  本稿では,四足歩行ロボットにおけるリアルタイムオンライン適応の課題を解決するために,ラピッドモータ適応(RMA)アルゴリズムを提案する。 RMAは、参照軌跡や事前に定義された足跡生成器のようなドメイン知識を使わずに、完全にシミュレーションで訓練される。 我々は、生物エネルギーにインスパイアされた報酬を用いて様々な地形発生装置でRMAを訓練し、様々な困難な地形に展開する。
  論文  参考訳（メタデータ） (2021-07-08T17:59:59Z)
• Do You See What I See? Coordinating Multiple Aerial Cameras for Robot Cinematography [9.870369982132678]
  ショットの多様性を最大化し、衝突を回避しつつ、ダイナミックな目標を記録できるリアルタイムマルチUAVコーディネートシステムを開発した。 我々の調整方式は計算コストが低く、平均1.17ミリ秒で10秒の時間帯で3UAVのチームを計画できることが示される。
  論文  参考訳（メタデータ） (2020-11-10T22:43:25Z)

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。