論文の概要: Deep Reinforcement Learning Based Systems for Safety Critical Applications in Aerospace

• arxiv url: http://arxiv.org/abs/2412.16489v1
• Date: Sat, 21 Dec 2024 05:17:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:59:26.609199
• Title: Deep Reinforcement Learning Based Systems for Safety Critical Applications in Aerospace
• Title（参考訳）: 航空宇宙分野における安全クリティカルな応用のための深層強化学習システム
• Authors: Abedin Sherifi,
• Abstract要約: 航空宇宙における人工知能(AI)応用の最近の進歩は、かなりの成長を見せている。 高性能コンピューティングプラットフォームは進化を続けており、現在の飛行制御コンピュータやエンジン制御コンピュータを置き換えることが期待されている。 このシフトにより、画像処理や欠陥検出といったリアルタイムAIアプリケーションが、監視システムにシームレスに統合できるようになる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Recent advancements in artificial intelligence (AI) applications within aerospace have demonstrated substantial growth, particularly in the context of control systems. As High Performance Computing (HPC) platforms continue to evolve, they are expected to replace current flight control or engine control computers, enabling increased computational capabilities. This shift will allow real-time AI applications, such as image processing and defect detection, to be seamlessly integrated into monitoring systems, providing real-time awareness and enhanced fault detection and accommodation. Furthermore, AI's potential in aerospace extends to control systems, where its application can range from full autonomy to enhancing human control through assistive features. AI, particularly deep reinforcement learning (DRL), can offer significant improvements in control systems, whether for autonomous operation or as an augmentative tool.
• Abstract（参考訳）: 航空宇宙における人工知能(AI)応用の最近の進歩は、特に制御システムにおいて、かなりの成長を見せている。 高性能コンピューティング(HPC)プラットフォームは進化を続けており、現在の飛行制御やエンジン制御コンピュータを置き換えることが期待されており、計算能力の向上が期待されている。 このシフトにより、画像処理や欠陥検出といったリアルタイムAIアプリケーションが、監視システムにシームレスに統合され、リアルタイムの認識と障害検出と宿泊の強化が実現される。 さらに、航空宇宙におけるAIの可能性は、完全な自律性から、補助機能による人間のコントロール強化まで、コントロールシステムにまで拡張されている。 AI、特に深層強化学習(DRL)は、自律的な操作であろうと拡張ツールであろうと、制御システムに大きな改善をもたらす可能性がある。

関連論文リスト

• MORTAR: A Model-based Runtime Action Repair Framework for AI-enabled Cyber-Physical Systems [21.693552236958983]
  CPS(Cyber-Physical Systems)は、様々な産業や日常生活領域でますます普及している。 近年の人工知能(AI)の発展に伴い、学習ベースのコンポーネント、特にAIコントローラは、CPSの機能と効率を高める上で欠かせないものとなっている。 これらのAIコントローラの解釈可能性の欠如は、AI対応CPS(AI-CPS)の安全性と品質保証に課題をもたらす。
  論文  参考訳（メタデータ） (2024-08-07T16:44:53Z)
• Tradeoffs When Considering Deep Reinforcement Learning for Contingency Management in Advanced Air Mobility [0.0]
  航空輸送は、Advanced Air Mobility (AAM)の導入により、世界中で急速に進化している。 運用上の安全性と効率の目標を達成するためには、自動化のレベルが増加する必要がある。 本稿では,複雑・高次元環境において有望な性能を示す深層強化学習(DRL)の利用について検討する。
  論文  参考訳（メタデータ） (2024-06-28T19:09:55Z)
• Improving Generalization in Aerial and Terrestrial Mobile Robots Control Through Delayed Policy Learning [0.19638749905454383]
  深層強化学習(Dreep Reinforcement Learning, DRL)は, 運動制御と意思決定の促進に向けた, 有望なアプローチとして登場した。 本稿では,DPU(Delayed Policy Updates)技術が新たな状況への一般化を促進する効果について考察する。
  論文  参考訳（メタデータ） (2024-06-04T04:16:38Z)
• Revolutionizing System Reliability: The Role of AI in Predictive Maintenance Strategies [0.0]
  この研究は、AI、特に機械学習とニューラルネットワークが、予測メンテナンス戦略を強化するためにどのように利用されているかを探求している。 この記事では、AIによる予測メンテナンスの実装の有効性と課題について、洞察を提供する。
  論文  参考訳（メタデータ） (2024-04-20T19:31:05Z)
• Variational Autoencoders for exteroceptive perception in reinforcement learning-based collision avoidance [0.0]
  Deep Reinforcement Learning (DRL) は有望な制御フレームワークとして登場した。 現在のDRLアルゴリズムは、ほぼ最適ポリシーを見つけるために不均等な計算資源を必要とする。 本稿では,海洋制御システムにおける提案手法の総合的な探索について述べる。
  論文  参考訳（メタデータ） (2024-03-31T09:25:28Z)
• Managing extreme AI risks amid rapid progress [171.05448842016125]
  我々は、大規模社会被害、悪意のある使用、自律型AIシステムに対する人間の制御の不可逆的な喪失を含むリスクについて説明する。 このようなリスクがどのように発生し、どのように管理するかについては、合意の欠如があります。 現在のガバナンスイニシアチブには、誤用や無謀を防ぎ、自律システムにほとんど対処するメカニズムや制度が欠けている。
  論文  参考訳（メタデータ） (2023-10-26T17:59:06Z)
• AI Maintenance: A Robustness Perspective [91.28724422822003]
  我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。 本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。 我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
  論文  参考訳（メタデータ） (2023-01-08T15:02:38Z)
• Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing [52.50284630866713]
  既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。 本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
  論文  参考訳（メタデータ） (2022-10-26T19:03:17Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。