論文の概要: Integrated Noise and Safety Management in UAM via A Unified Reinforcement Learning Framework

• arxiv url: http://arxiv.org/abs/2508.16440v1
• Date: Fri, 22 Aug 2025 14:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.421443
• Title: Integrated Noise and Safety Management in UAM via A Unified Reinforcement Learning Framework
• Title（参考訳）: 統一強化学習フレームワークによるUAMの総合騒音・安全管理
• Authors: Surya Murthy, Zhenyu Gao, John-Paul Clarke, Ufuk Topcu,
• Abstract要約: アーバン・エアモビリティ(UAM)は、密集した都市環境における輸送を変革するための小型航空機の普及を想定している。 騒音と安全を考慮した強化学習型航空交通管理システムを提案する。 このシステムは,両目的に対して高い性能を示し,高い交通密度下での分離,騒音暴露,エネルギー効率のトレードオフを明らかにする。
• 参考スコア（独自算出の注目度）: 21.360875634648746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban Air Mobility (UAM) envisions the widespread use of small aerial vehicles to transform transportation in dense urban environments. However, UAM faces critical operational challenges, particularly the balance between minimizing noise exposure and maintaining safe separation in low-altitude urban airspace, two objectives that are often addressed separately. We propose a reinforcement learning (RL)-based air traffic management system that integrates both noise and safety considerations within a unified, decentralized framework. Under this scalable air traffic coordination solution, agents operate in a structured, multi-layered airspace and learn altitude adjustment policies to jointly manage noise impact and separation constraints. The system demonstrates strong performance across both objectives and reveals tradeoffs among separation, noise exposure, and energy efficiency under high traffic density. The findings highlight the potential of RL and multi-objective coordination strategies in enhancing the safety, quietness, and efficiency of UAM operations.
• Abstract（参考訳）: アーバン・エアモビリティ(UAM)は、密集した都市環境における輸送を変革するための小型航空機の普及を想定している。 しかし、UAMは重要な運用上の課題、特に騒音暴露を最小限に抑えることと、低高度の都市空域での安全な分離を維持することのバランスに直面する。 本稿では,RLに基づく航空交通管理システムを提案する。 このスケーラブルな航空交通調整ソリューションの下では、エージェントは構造化された多層空域で活動し、騒音の衝撃と分離の制約を共同で管理するための高度調整ポリシーを学ぶ。 このシステムは,両目的に対して高い性能を示し,高い交通密度下での分離,騒音暴露,エネルギー効率のトレードオフを明らかにする。 本研究は,UAM操作の安全性,静かさ,効率を高めるためのRLおよび多目的協調戦略の可能性を明らかにするものである。

関連論文リスト

• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• Hierarchical and Collaborative LLM-Based Control for Multi-UAV Motion and Communication in Integrated Terrestrial and Non-Terrestrial Networks [21.350819743855382]
  本研究は,複数のUAVの連立動作と通信制御を地球外ネットワークと非地球外ネットワークで行うことを目的としたものである。 大規模言語モデル(LLM)に基づく新しい階層的協調手法を提案する。 実験により,提案手法は, システム報酬の向上, 運用コストの低減, ベースライン手法と比較してUAV衝突率の大幅な低減を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T20:59:52Z)
• Toward Safe Integration of UAM in Terminal Airspace: UAM Route Feasibility Assessment using Probabilistic Aircraft Trajectory Prediction [0.0]
  本研究では,確率論的航空機軌道予測を用いて,都市空力(UAM)経路統合の実現可能性を評価する枠組みを提案する。 この手法は、ソウル大都市圏上空の空域に応用され、複数の高度と車線におけるUAMと従来の交通の相互作用を包含する。
  論文  参考訳（メタデータ） (2025-01-28T00:28:16Z)
• Low-altitude Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.72954660774002]
  低地球軌道(LEO)衛星は、海上無線通信で広範囲にわたるデータ通信を支援するために使用できる。 LEO衛星を広範囲にカバーし、チャネルの開放性と組み合わせることで、通信プロセスはセキュリティ上のリスクに悩まされる可能性がある。 本稿では無人航空機による低高度衛星通信システムLEOについて述べる。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• A Reinforcement Learning Approach to Quiet and Safe UAM Traffic Management [17.974572464176394]
  アーバン・エア・モビリティ(UAM)は、都市環境で様々な小型航空機を運用するトランスフォーメーションシステムである。 UAMの運用制約の最近の分析は、UAMシステム実装の鍵となるハードルとして航空機の騒音とシステムの安全性を強調している。 本稿では,UAMトラフィックを管理するためのマルチエージェント強化学習手法を提案する。
  論文  参考訳（メタデータ） (2025-01-15T16:44:35Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Improving Autonomous Separation Assurance through Distributed Reinforcement Learning with Attention Networks [0.0]
  本稿では,AAM廊下内で自律的な自己分離機能を実現するための強化学習フレームワークを提案する。 この問題はマルコフ決定プロセス(Markov Decision Process)として定式化され、サンプル効率の良いオフポリティ・ソフトアクター・クリティック(SAC)アルゴリズムへの新たな拡張を開発することで解決される。 包括的数値計算により,提案手法は高密度・動的環境下で航空機の安全かつ効率的な分離を保証できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-09T13:44:35Z)
• Integrated Conflict Management for UAM with Strategic Demand Capacity Balancing and Learning-based Tactical Deconfliction [3.074861321741328]
  本稿では,戦略紛争管理のための要求キャパシティ・バランシング(DCB)と戦術的分離のための強化学習を組み合わせた新たなフレームワークを提案する。 以上の結果から,このDCBプレコンディショニングにより,他の方法では不可能な安全レベルを達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-17T20:23:18Z)
• 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)
• Cautious Adaptation For Reinforcement Learning in Safety-Critical Settings [129.80279257258098]
  都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。 非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。 多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
  論文  参考訳（メタデータ） (2020-08-15T01:40:59Z)

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。