論文の概要: Probabilistic Weapon Engagement Zones for a Turn Constrained Pursuer

• arxiv url: http://arxiv.org/abs/2512.06130v1
• Date: Fri, 05 Dec 2025 20:17:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.158138
• Title: Probabilistic Weapon Engagement Zones for a Turn Constrained Pursuer
• Title（参考訳）: 回転拘束型パーサの確率的ウェポンエンゲージメントゾーン
• Authors: Grant Stagg, Isaac E. Weintraub, Cameron K. Peterson,
• Abstract要約: 曲線直線確率的エンゲージメントゾーンは、回避者が避けるべき空間領域を定量化し、ターンレート制限トラッカーからの捕捉リスクを低減する。 本稿では,このような不確実性下での捕獲リスクを最小限に抑えるため,エバダ軌道を生成する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Curve-straight probabilistic engagement zones (CSPEZ) quantify the spatial regions an evader should avoid to reduce capture risk from a turn-rate-limited pursuer following a curve-straight path with uncertain parameters including position, heading, velocity, range, and maximum turn rate. This paper presents methods for generating evader trajectories that minimize capture risk under such uncertainty. We first derive an analytic solution for the deterministic curve-straight basic engagement zone (CSBEZ), then extend this formulation to a probabilistic framework using four uncertainty-propagation approaches: Monte Carlo sampling, linearization, quadratic approximation, and neural-network regression. We evaluate the accuracy and computational cost of each approximation method and demonstrate how CSPEZ constraints can be integrated into a trajectory-optimization algorithm to produce safe paths that explicitly account for pursuer uncertainty.
• Abstract（参考訳）: 曲線直線確率エンゲージメントゾーン (CSPEZ) は, 位置, 方向, 速度, 範囲, 最大回転率などの不確実なパラメータを持つ曲線直線経路に従って, 回転数制限トラッカーからの捕捉リスクを低減するために回避すべき空間領域を定量化する。 本稿では,このような不確実性下での捕獲リスクを最小限に抑えるため,エバダ軌道を生成する手法を提案する。 まず,この定式化を,モンテカルロサンプリング,線形化,二次近似,ニューラル・ネットワーク回帰という4つの不確実性プロパゲーションアプローチを用いて,確率的フレームワークに拡張する。 我々は,各近似法の精度と計算コストを評価し,CSPEZ制約をトラジェクトリ最適化アルゴリズムに統合して,追従者の不確実性を明示的に考慮した安全な経路を生成する方法を示す。

関連論文リスト

• Distribution-Free Stochastic MPC for Joint-in-Time Chance-Constrained Linear Systems [6.170271503640481]
  本研究では,未知の外乱分布下での連帯確率制約を受ける線形系に対するモデル予測制御(MPC)フレームワークを提案する。 パラメトリックあるいはガウス的仮定に依存する既存のMPCの定式化とは異なり、提案手法は、最小の計算労力でシステムの誤差軌跡に対する有限サンプル信頼領域を構築するために、整合予測(CP)を合理化ツールとして活用する。
  論文  参考訳（メタデータ） (2025-12-11T15:25:02Z)
• On the Probabilistic Learnability of Compact Neural Network Preimage Bounds [71.59148070050212]
  本研究では,高信頼度保証と有界誤差の解の提供を目的とした,新しい確率論的視点を採用する。 このメソッドは、ランダム化された決定ツリーのアンサンブルを利用して、所望の出力特性を満たす候補入力領域を生成する。 我々の理論的導出は、地域純度とグローバルカバレッジに関する正式な統計的保証を提供し、実用的なスケーラブルなコンピューティングソリューションを提供する。
  論文  参考訳（メタデータ） (2025-11-10T16:56:51Z)
• Derivative-Free Sequential Quadratic Programming for Equality-Constrained Stochastic Optimization [3.2489082010225485]
  我々は、客観的で決定論的な等式制約で非線形最適化問題を解くことを検討する。 本稿では,DF-SSQP法を提案する。 標準仮定では,提案したDF-SSQP法を大域的にほぼ収束させる。
  論文  参考訳（メタデータ） (2025-10-25T23:51:20Z)
• Conformal Prediction in The Loop: A Feedback-Based Uncertainty Model for Trajectory Optimization [3.761729592527251]
  コンフォーマル予測(CP)は、カバレッジ保証を備えた不確実性セットを構築するための強力な統計機械学習ツールである。 本稿では,リスク制約を伴ってThorizonを縮小する新しいフィードバックベースCP(Fb-CP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-18T07:11:23Z)
• Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
  本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。 本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。 2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
  論文  参考訳（メタデータ） (2024-09-24T04:39:47Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• On The Verification of Neural ODEs with Stochastic Guarantees [14.490826225393096]
  時間連続型ニューラルネットワークの新興クラスであるneural odesは,グローバル最適化問題の集合を解いて検証できることを示す。 密なReachtubeを構築するための抽象化ベースのテクニックであるLagran Reachability(SLR)を紹介する。
  論文  参考訳（メタデータ） (2020-12-16T11:04:34Z)

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。