論文の概要: A survey of air combat behavior modeling using machine learning
- arxiv url: http://arxiv.org/abs/2404.13954v1
- Date: Mon, 22 Apr 2024 07:54:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 14:55:25.807733
- Title: A survey of air combat behavior modeling using machine learning
- Title（参考訳）: 機械学習を用いた空気戦闘行動モデリングに関する調査研究
- Authors: Patrick Ribu Gorton, Andreas Strand, Karsten Brathen,
- Abstract要約: 本調査では, 空気戦闘行動のモデル化における機械学習手法の適用について検討する。
従来の行動モデリングは労働集約的であり、開発ステップ間で重要なドメイン知識を失う傾向があります。
この調査では、応用、行動モデルタイプ、一般的な機械学習手法、適応的で現実的な行動エージェントの開発における技術的および人間的課題について調査している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the recent advances in machine learning, creating agents that behave realistically in simulated air combat has become a growing field of interest. This survey explores the application of machine learning techniques for modeling air combat behavior, motivated by the potential to enhance simulation-based pilot training. Current simulated entities tend to lack realistic behavior, and traditional behavior modeling is labor-intensive and prone to loss of essential domain knowledge between development steps. Advancements in reinforcement learning and imitation learning algorithms have demonstrated that agents may learn complex behavior from data, which could be faster and more scalable than manual methods. Yet, making adaptive agents capable of performing tactical maneuvers and operating weapons and sensors still poses a significant challenge. The survey examines applications, behavior model types, prevalent machine learning methods, and the technical and human challenges in developing adaptive and realistically behaving agents. Another challenge is the transfer of agents from learning environments to military simulation systems and the consequent demand for standardization. Four primary recommendations are presented regarding increased emphasis on beyond-visual-range scenarios, multi-agent machine learning and cooperation, utilization of hierarchical behavior models, and initiatives for standardization and research collaboration. These recommendations aim to address current issues and guide the development of more comprehensive, adaptable, and realistic machine learning-based behavior models for air combat applications.
- Abstract（参考訳）: 近年の機械学習の進歩により、模擬空戦で現実的に振る舞うエージェントが注目されている。
本研究は, シミュレーションに基づくパイロット訓練の強化を動機とした, 空気戦闘行動のモデル化のための機械学習技術の応用について検討する。
現在のシミュレートされたエンティティは現実的な振る舞いを欠く傾向にあり、従来の振る舞いモデリングは労働集約的であり、開発ステップ間で重要なドメイン知識を失う傾向があります。
強化学習と模倣学習アルゴリズムの進歩は、エージェントがデータから複雑な振る舞いを学ぶことを実証している。
しかし、戦術的な操作や武器やセンサーの操作が可能な適応エージェントを作ることは、依然として大きな課題となっている。
この調査では、応用、行動モデルタイプ、一般的な機械学習手法、適応的で現実的な行動エージェントの開発における技術的および人間的課題について調査している。
もうひとつの課題は、学習環境から軍事シミュレーションシステムへのエージェントの移動と、それに伴う標準化の要求である。
視覚範囲を超えたシナリオ、マルチエージェント機械学習と協調、階層的行動モデルの利用、標準化と研究協力のイニシアチブに重点を置く4つの主要な推奨事項が提示される。
これらの勧告は、現在の問題に対処し、より包括的で適応性があり、現実的な機械学習ベースの行動モデルの開発を航空戦闘用途に導くことを目的としている。
関連論文リスト
- Grounded Answers for Multi-agent Decision-making Problem through Generative World Model [27.263093790379024]
生成モデルは、複雑なマルチエージェント決定問題に対するスケッチ的で誤解を招くソリューションをしばしば生み出す。
本稿では,言語誘導シミュレータをマルチエージェント強化学習パイプラインに統合し,生成した回答を強化するパラダイムを示す。
特に、一貫した相互作用シーケンスと、相互作用状態における説明可能な報酬関数を生成し、未来の生成モデルを訓練するための道を開くことができる。
論文 参考訳（メタデータ） (2024-10-03T16:49:59Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - PASTA: Pretrained Action-State Transformer Agents [10.654719072766495]
自己教師型学習は、様々なコンピューティング領域において革命的なパラダイムシフトをもたらした。
最近のアプローチでは、大量のラベルのないデータに基づいて、トランスフォーマーモデルを事前訓練する。
強化学習において、研究者は最近これらのアプローチに適応し、専門家の軌道で事前訓練されたモデルを開発した。
論文 参考訳（メタデータ） (2023-07-20T15:09:06Z) - User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。
実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文 参考訳（メタデータ） (2023-06-05T02:58:35Z) - Learning Environment for the Air Domain (LEAD) [0.0]
本稿では,軍事シミュレーションにおける知的戦闘行動の生成と統合システムであるLEADについて述べる。
人気のあるプログラミングライブラリとインターフェースであるGymnasiumを組み込むことで、LEADはユーザーが容易に利用できる機械学習アルゴリズムを適用できるようになる。
論文 参考訳（メタデータ） (2023-04-27T11:08:14Z) - Predictive Experience Replay for Continual Visual Control and
Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。
まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。
我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文 参考訳（メタデータ） (2023-03-12T05:08:03Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms [2.064612766965483]
人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。
我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。
我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
論文 参考訳（メタデータ） (2022-08-10T19:59:16Z) - Training and Evaluation of Deep Policies using Reinforcement Learning
and Generative Models [67.78935378952146]
GenRLはシーケンシャルな意思決定問題を解決するためのフレームワークである。
強化学習と潜在変数生成モデルの組み合わせを利用する。
最終方針訓練の性能に最も影響を与える生成モデルの特徴を実験的に決定する。
論文 参考訳（メタデータ） (2022-04-18T22:02:32Z) - Adaptive Synthetic Characters for Military Training [0.9802137009065037]
現在の軍事シミュレーションにおける合成文字の挙動は、一般的にルールベースおよびリアクティブ計算モデルによって生成されるため、限られている。
本稿では,信頼できる行動のコヒーレントなシーケンスを実行できる自律的な合成文字を作成することを目的とした枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-06T18:45:48Z)
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。