論文の概要: Sensor optimization for urban wind estimation with cluster-based probabilistic framework

• arxiv url: http://arxiv.org/abs/2509.25222v1
• Date: Wed, 24 Sep 2025 05:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.176158
• Title: Sensor optimization for urban wind estimation with cluster-based probabilistic framework
• Title（参考訳）: クラスター型確率的枠組みを用いた都市風速推定のためのセンサ最適化
• Authors: Yutong Liang, Chang Hou, Guy Y. Cornejo Maceda, Andrea Ianiro, Stefano Discetti, Andrea Meilán-Vila, Didier Sornette, Sandro Claudio Lera, Jialong Chen, Xiaozhou He, Bernd R. Noack,
• Abstract要約: 複雑な都市部におけるドローン軌道に対するセンサベースフロー推定のための機械学習フレームワークを提案する。 このフレームワークは、単純な例として、ドローンの飛行経路を3つのビルディングクラスタを通してデモする。
• 参考スコア（独自算出の注目度）: 1.6155814144837313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a physics-informed machine-learned framework for sensor-based flow estimation for drone trajectories in complex urban terrain. The input is a rich set of flow simulations at many wind conditions. The outputs are velocity and uncertainty estimates for a target domain and subsequent sensor optimization for minimal uncertainty. The framework has three innovations compared to traditional flow estimators. First, the algorithm scales proportionally to the domain complexity, making it suitable for flows that are too complex for any monolithic reduced-order representation. Second, the framework extrapolates beyond the training data, e.g., smaller and larger wind velocities. Last, and perhaps most importantly, the sensor location is a free input, significantly extending the vast majority of the literature. The key enablers are (1) a Reynolds number-based scaling of the flow variables, (2) a physics-based domain decomposition, (3) a cluster-based flow representation for each subdomain, (4) an information entropy correlating the subdomains, and (5) a multi-variate probability function relating sensor input and targeted velocity estimates. This framework is demonstrated using drone flight paths through a three-building cluster as a simple example. We anticipate adaptations and applications for estimating complete cities and incorporating weather input.
• Abstract（参考訳）: 複雑な都市部におけるドローン軌道のセンサによる流量推定のための物理インフォームドマシン学習フレームワークを提案する。 入力は、多くの風条件下でのフローシミュレーションの豊富なセットである。 出力は、目標領域の速度と不確実性の推定であり、その後、最小の不確実性に対するセンサ最適化である。 このフレームワークには,従来のフロー推定ツールと比較して,3つのイノベーションがある。 まず、アルゴリズムはドメインの複雑さに比例してスケールし、モノリシックな低次表現には複雑すぎるフローに適合する。 第2に、このフレームワークはトレーニングデータを超えて、例えば、より小さく大きな風速を推定する。 最後に、おそらく最も重要なのは、センサーの位置が自由な入力であり、文学の大部分を大きく広げていることだ。 1) フロー変数のレイノルズ数に基づくスケーリング,(2) 物理に基づくドメイン分解,(3) 各サブドメインに対するクラスタベースのフロー表現,(4) サブドメインに関連する情報エントロピー,(5) センサ入力と目標速度推定に関する多変量確率関数。 このフレームワークは、単純な例として、ドローンの飛行経路を3つのビルディングクラスタを通してデモする。 我々は、完全な都市を推定し、気象入力を取り入れるための適応と応用を期待する。

関連論文リスト

• Neural Approximators for Low-Thrust Trajectory Transfer Cost and Reachability [1.9020115730627583]
  本稿では,低推力軌跡計測のための汎用事前学習ニューラルネットワークを提案する。 データは自己相似空間に変換され、ニューラルネットワークは任意の半大軸、傾斜、中心体に適応する。 得られたニューラルネットワークは、速度増加を予測する相対誤差が0.78%、最小転送時間推定が0.63%に達する。
  論文  参考訳（メタデータ） (2025-08-04T21:25:46Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)

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。