論文の概要: Landing Trajectory Prediction for UAS Based on Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2411.14403v1
• Date: Thu, 21 Nov 2024 18:34:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:18:18.554867
• Title: Landing Trajectory Prediction for UAS Based on Generative Adversarial Network
• Title（参考訳）: 生成逆ネットワークに基づくUASの着地軌道予測
• Authors: Jun Xiang, Drake Essick, Luiz Gonzalez Bautista, Junfei Xie, Jun Chen,
• Abstract要約: GAN(Generative Adversarial Network)に基づく無人航空機システムの着陸軌道予測モデルを提案する。 GANは長年開発されてきた高名なニューラルネットワークである。 また、提案モデルを評価するために、実際のパイロットが手動で操縦するドローン制御の2600回以上の軌道を含む、実際のUAV着陸データセットを作成する。
• 参考スコア（独自算出の注目度）: 10.243874682724677
• License:
• Abstract: Models for trajectory prediction are an essential component of many advanced air mobility studies. These models help aircraft detect conflict and plan avoidance maneuvers, which is especially important in Unmanned Aircraft systems (UAS) landing management due to the congested airspace near vertiports. In this paper, we propose a landing trajectory prediction model for UAS based on Generative Adversarial Network (GAN). The GAN is a prestigious neural network that has been developed for many years. In previous research, GAN has achieved many state-of-the-art results in many generation tasks. The GAN consists of one neural network generator and a neural network discriminator. Because of the learning capacity of the neural networks, the generator is capable to understand the features of the sample trajectory. The generator takes the previous trajectory as input and outputs some random status of a flight. According to the results of the experiences, the proposed model can output more accurate predictions than the baseline method(GMR) in various datasets. To evaluate the proposed model, we also create a real UAV landing dataset that includes more than 2600 trajectories of drone control manually by real pilots.
• Abstract（参考訳）: 軌道予測のモデルは、多くの先進的な空気移動研究において不可欠な要素である。 これらのモデルは航空機が衝突や計画回避の操作を検出するのに役立ち、特にバーティポート付近の密集した空域のために無人航空機システム(UAS)の着陸管理において重要である。 本稿では,GAN(Generative Adversarial Network)に基づくUASの着地軌道予測モデルを提案する。 GANは長年開発されてきた高名なニューラルネットワークである。 これまでの研究では、GANは多くの世代のタスクにおいて最先端の結果を達成してきた。 GANは1つのニューラルネットワークジェネレータと1つのニューラルネットワーク識別器から構成される。 ニューラルネットワークの学習能力のため、ジェネレータはサンプル軌跡の特徴を理解することができる。 ジェネレータは、前の軌道を入力として、飛行のランダムな状態を出力する。 実験結果によると,提案モデルでは,各種データセットのベースライン法(GMR)よりも精度の高い予測を出力できる。 また、提案モデルを評価するために、実際のパイロットが手動で操縦するドローン制御の2600回以上の軌道を含む、実際のUAV着陸データセットを作成する。

関連論文リスト

• VECTOR: Velocity-Enhanced GRU Neural Network for Real-Time 3D UAV Trajectory Prediction [2.1825723033513165]
  シーケンスベースニューラルネットワークにおけるGRU(Gated Recurrent Units)を用いた新しいトラジェクトリ予測手法を提案する。 我々は、合成と実世界のUAV軌跡データの両方を使用し、幅広い飛行パターン、速度、機敏性を捉えています。 GRUベースのモデルは、平均二乗誤差(MSE)を2×10-8に抑えながら、最先端のRNNアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2024-10-24T07:16:42Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Context-Aware Generative Models for Prediction of Aircraft Ground Tracks [0.004807514276707785]
  軌道予測は航空交通管制官の意思決定を支援する上で重要な役割を果たしている。 従来のTP手法は決定論的で物理学に基づく手法であり、パラメータは世界中で収集された航空機の監視データを用いて校正される。 本研究では、確率論的機械学習を用いて、パイロット行動とATCO意図の未知の効果をモデル化する横型TPの生成法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:20:09Z)
• EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction [11.960234424309265]
  本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。 EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。 以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
  論文  参考訳（メタデータ） (2023-08-12T13:17:09Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [52.25258289718559]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。 任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Gesture Control of Micro-drone: A Lightweight-Net with Domain Randomization and Trajectory Generators [0.0]
  本研究では,Gaborフィルタと空間分離型畳み込みを用いた計算効率の良い深層畳み込みニューラルネットワークを提案する。 このモデルは、人間のオペレーターがジェスチャーを介してマイクロドローンを制御するのに役立つ。 低コストのDJI Telloドローンを用いて実験を行い、計算効率のよいモデルが有望な結果を示している。
  論文  参考訳（メタデータ） (2023-01-29T15:38:15Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• 4D flight trajectory prediction using a hybrid Deep Learning prediction method based on ADS-B technology: a case study of Hartsfield-Jackson Atlanta International Airport(ATL) [2.2118683064997264]
  本稿では,ハーツフィールド・ジャクソン・アトランタ国際空港(ATL)の予測モデルの不確実性を考慮した空間的・時間的特徴を抽出するハイブリッドディープラーニングモデルを提案する。 その結果,提案モデルは他のモデル(3D CNN, CNN-GRU)と比較して誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2021-10-14T23:48:44Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• MineGAN++: Mining Generative Models for Efficient Knowledge Transfer to Limited Data Domains [77.46963293257912]
  本稿では,特定の対象領域に最も有益である知識をマイニングした生成モデルのための新しい知識伝達手法を提案する。 これは、各事前訓練されたGANの生成分布のどの部分が対象領域に最も近いサンプルを出力しているかを識別するマイカネットワークを用いて行われる。 提案手法はMineGANと呼ばれ,ターゲット画像が少ない領域に効果的に知識を伝達し,既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-28T13:10:56Z)

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。