Fugu-MT 論文翻訳(概要): Wind Estimation in Unmanned Aerial Vehicles with Causal Machine Learning

論文の概要: Wind Estimation in Unmanned Aerial Vehicles with Causal Machine Learning

arxiv url: http://arxiv.org/abs/2407.01154v1
Date: Mon, 1 Jul 2024 10:22:16 GMT
ステータス: 処理完了
システム内更新日: 2024-07-03 21:59:43.068127
Title: Wind Estimation in Unmanned Aerial Vehicles with Causal Machine Learning
Title（参考訳）: 因果機械学習による無人航空機の風速推定
Authors: Abdulaziz Alwalan, Miguel Arana-Catania,
Abstract要約: 本稿では,機械学習の時系列分類とクラスタリングを因果的フレームワークと組み合わせた因果的好奇性手法を提案する。定常風, せん断風, 乱流の3つの異なる風環境を解析し, 風条件を推定するために最適なUAV操作を行うための異なる最適化戦略を探索する。
参考スコア（独自算出の注目度）: 0.6650227510403052
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work we demonstrate the possibility of estimating the wind environment of a UAV without specialised sensors, using only the UAV's trajectory, applying a causal machine learning approach. We implement the causal curiosity method which combines machine learning times series classification and clustering with a causal framework. We analyse three distinct wind environments: constant wind, shear wind, and turbulence, and explore different optimisation strategies for optimal UAV manoeuvres to estimate the wind conditions. The proposed approach can be used to design optimal trajectories in challenging weather conditions, and to avoid specialised sensors that add to the UAV's weight and compromise its functionality.
Abstract（参考訳）: 本研究では、UAVの軌跡のみを用いて、特殊なセンサを使わずにUAVの風環境を推定できる可能性を示し、因果機械学習アプローチを適用した。本稿では,機械学習の時系列分類とクラスタリングを因果的フレームワークと組み合わせた因果的好奇性手法を提案する。定常風, せん断風, 乱流の3つの異なる風環境を解析し, 風条件を推定するために最適なUAV操作を行うための異なる最適化戦略を探索する。提案手法は、気象条件に挑戦する上で最適な軌道を設計し、UAVの重量を増し機能を損なう特殊なセンサーを避けるために用いられる。

関連論文リスト

Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
論文参考訳（メタデータ） (2024-04-24T13:50:27Z)
Physics-Based Trajectory Design for Cellular-Connected UAV in Rainy Environments Based on Deep Reinforcement Learning [1.0863256257378173]
本稿では,降雨環境下でのセル接続型UAVに対する物理に基づく軌道設計手法を提案する。物理に基づく電磁シミュレータを用いて、詳細な環境情報と雨が電波伝搬に与える影響を考察する。提案手法は雨天下でのUAV軌道設計に大きな可能性を示した。
論文参考訳（メタデータ） (2023-08-31T06:23:53Z)
Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文参考訳（メタデータ） (2023-06-05T16:01:33Z)
A Reinforcement Learning Approach for Robust Supervisory Control of UAVs Under Disturbances [1.8799681615947088]
無人航空機(UAV)の監視強化学習制御手法を提案する。我々は,既存の組込み制御と交差する監視制御アーキテクチャを定式化し,悪風の形での環境障害に対する堅牢性を示す。
論文参考訳（メタデータ） (2023-05-21T19:00:06Z)
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)
Optimizing Airborne Wind Energy with Reinforcement Learning [0.0]
強化学習(Reinforcement Learning)は、システムの事前の知識を必要とせずに、観察と利益ある行動とを関連付ける技術である。シミュレーション環境において、強化学習は、遠距離で車両を牽引できるように、カイトを効率的に制御する方法を見出した。
論文参考訳（メタデータ） (2022-03-27T10:28:16Z)
Federated Learning for UAV Swarms Under Class Imbalance and Power Consumption Constraints [6.995852507959362]
設計上の制約を考慮しつつ、UAVの利用効率を調査することが不可欠である。本稿では,各UAVが機械学習分類タスクを遂行する際のUAVスワムの展開について検討する。
論文参考訳（メタデータ） (2021-08-23T16:10:14Z)
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)
Touch the Wind: Simultaneous Airflow, Drag and Interaction Sensing on a Multirotor [0.0]
マイクロ空力車(MAV)の外乱推定は、堅牢性と安全性に不可欠である。バイオインスパイアされた新しい気流センサを用いてMAVに作用する気流を測定する。我々はこの情報をUKF(Unscented Kalman Filter)に融合させ、3次元の風力ベクトル、ドラッグ力、その他の相互作用力を推定する。
論文参考訳（メタデータ） (2020-03-04T19:43:50Z)
Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。