論文の概要: Many-vs-Many Missile Guidance via Virtual Targets

• arxiv url: http://arxiv.org/abs/2511.02526v1
• Date: Tue, 04 Nov 2025 12:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.986354
• Title: Many-vs-Many Missile Guidance via Virtual Targets
• Title（参考訳）: many-vs-many 仮想目標によるミサイル誘導
• Authors: Marc Schneider, Walter Fichter,
• Abstract要約: 本稿では,正規化フローに基づく軌道予測器によって生成される仮想目標(VT)を用いた多自由度ミサイル誘導に対する新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel approach to many-vs-many missile guidance using virtual targets (VTs) generated by a Normalizing Flows-based trajectory predictor. Rather than assigning n interceptors directly to m physical targets through conventional weapon target assignment algorithms, we propose a centralized strategy that constructs n VT trajectories representing probabilistic predictions of maneuvering target behavior. Each interceptor is guided toward its assigned VT using Zero-Effort-Miss guidance during midcourse flight, transitioning to Proportional Navigation guidance for terminal interception. This approach treats many-vs-many engagements as many-vs-distribution scenarios, exploiting numerical superiority (n > m) by distributing interceptors across diverse trajectory hypotheses rather than pursuing identical deterministic predictions. Monte Carlo simulations across various target-interceptor configurations (1-6 targets, 1-8 interceptors) demonstrate that the VT method matches or exceeds baseline straight-line prediction performance by 0-4.1% when n = m, with improvements increasing to 5.8-14.4% when n > m. The results confirm that probabilistic VTs enable effective exploitation of numerical superiority, significantly increasing interception probability in many-vs-many scenarios.
• Abstract（参考訳）: 本稿では,正規化フローに基づく軌道予測器によって生成される仮想目標(VT)を用いた多自由度ミサイル誘導に対する新しいアプローチを提案する。 従来の兵器目標割り当てアルゴリズムにより,n個のインターセプターをm個の物理的ターゲットに直接割り当てるのではなく,目標動作の確率論的予測を表すn個のVT軌道を構成する集中型戦略を提案する。 各インターセプターは、ミッドコース飛行中にゼロエフォート・ミス誘導を使用して割り当てられたVTに向けて誘導され、終端インターセプションのための比例誘導に遷移する。 このアプローチは、多くのvs-manyエンゲージメントを多vs-ディストリビューションのシナリオとして扱い、同じ決定論的予測を追求するのではなく、様々な軌道仮説にまたがるインターセプターを分散することにより、数値上の優位性(n > m)を活用する。 様々なターゲット・インターセプタ構成(1-6ターゲット、1-8インターセプター)にわたるモンテカルロシミュレーションでは、VT法はn = m で0-4.1%、n > m で5.8-14.4%向上した。 その結果、確率的VTは数値的優越性を効果的に活用することができ、多くのvs-manyシナリオにおいてインターセプション確率を著しく増加させることを確認した。

関連論文リスト

• Controllable Generative Trajectory Prediction via Weak Preference Alignment [19.852327330298746]
  PrefCVAE(PrefCVAE)は、ラベルの弱い選好ペアを用いて、セマンティック属性を持つ潜在変数を挿入する拡張CVAEフレームワークである。 本研究は,サンプリングベース生成モデルを改善するためのコスト効率の高い方法として,選好監督の有効性を示す。
  論文  参考訳（メタデータ） (2025-10-12T18:06:39Z)
• Post-interactive Multimodal Trajectory Prediction for Autonomous Driving [10.93007749660849]
  本稿では,マルチモーダル軌道予測のためのトランスフォーマー,すなわちPioformerを提案する。 予測精度を高めるために、反応後の特徴を明示的に抽出する。 予測誤差は, minADE6, minFDE6, MR6, brier-minFDE6でそれぞれ4.4%, 8.4%, 14.4%, 5.7%減少した。
  論文  参考訳（メタデータ） (2025-03-12T13:10:09Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。 そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。 認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Diffusion Models for Multi-target Adversarial Tracking [0.49157446832511503]
  標的追跡は現実世界のシナリオ、特に薬物輸送の対話において重要な役割を担っている。 無人ドローンの普及に伴い、安全と安全のためには正確な自律目標推定がさらに重要である。 本稿では、敵位置の包括的予測を生成するアプローチであるCADENCE(Constrained Agent-based Diffusion for Enhanced Multi-Agent Tracking)を提案する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:39Z)
• Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
  本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。 マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
  論文  参考訳（メタデータ） (2023-03-08T17:14:57Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation [28.10445924083422]
  BiTraPはCVAEに基づく目標条件付き双方向マルチモーダル軌道予測手法である。 BiTraPは、FPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を10～50%上回る。
  論文  参考訳（メタデータ） (2020-07-29T02:40:17Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。