論文の概要: Developing Fundamental Diagrams for Urban Air Mobility Traffic Based on Physical Experiments

• arxiv url: http://arxiv.org/abs/2512.21425v3
• Date: Sat, 28 Feb 2026 19:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.514142
• Title: Developing Fundamental Diagrams for Urban Air Mobility Traffic Based on Physical Experiments
• Title（参考訳）: 物理実験に基づく都市空力交通の基本図の開発
• Authors: Hang Zhou, Yuhui Zhai, Shiyu Shen, Yanfeng Ouyang, Xiaowei Shi, Xiaopeng Li,
• Abstract要約: UAM(Urban Air Mobility)は、都市交通システムにおける移動時間の短縮と混雑緩和を約束する無人航空機の新たな応用である。 ドローンの密度が増大するにつれて、UAMトラフィックは地上交通と同様の混雑を経験することが期待されている。 本研究では,理論解析と物理実験を統合することにより,UAMトラフィックの基本図(FD)を構築するための一般的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 11.132210402861753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban Air Mobility (UAM) is an emerging application of unmanned aerial vehicles that promises to reduce travel time and alleviate congestion in urban transportation systems. As drone density increases, UAM traffic is expected to experience congestion similar to that in ground traffic. However, the fundamental characteristics of UAM traffic, particularly under real-world operating conditions, remain largely unexplored. This study proposes a general framework for constructing the fundamental diagram (FD) of UAM traffic by integrating theoretical analysis with physical experiments. To the best of our knowledge, this is the first study to derive UAM FDs using real-world physical experiment data. On the theoretical side, we design two drone control laws for collision avoidance and develop simulation-based traffic generation methods to produce diverse UAM traffic scenarios. Based on Edie's definition, traffic flow theory is then applied with a near-stationary traffic condition filtering method to construct the FD. To account for real-world disturbances and modeling uncertainties, we further conduct physical experiments on a reduced-scale testbed using Bitcraze Crazyflie drones. Both simulation and physical experiment trajectory data are collected and organized into the UAMTra2Flow dataset, which is analyzed using the proposed framework. Preliminary results indicate that classical FD structures for ground transportation, especially the Underwood model, are applicable to UAM systems. Notably, FD curves obtained from physical experiments exhibit deviations from simulation-based results, highlighting the importance of experimental validation. Finally, results from the reduced-scale testbed are scaled to realistic operating conditions to provide practical insights for future UAM traffic systems. The dataset and code for this paper are publicly available at https://github.com/CATS-Lab/UAM-FD.
• Abstract（参考訳）: UAM(Urban Air Mobility)は、都市交通システムにおける移動時間の短縮と混雑緩和を約束する無人航空機の新たな応用である。 ドローンの密度が増大するにつれて、UAMトラフィックは地上交通と同様の混雑を経験することが期待されている。 しかし、UAMトラフィックの基本的特徴、特に実世界の運用条件下では、ほとんど探索されていない。 本研究では,理論解析と物理実験を統合することにより,UAMトラフィックの基本図(FD)を構築するための一般的な枠組みを提案する。 我々の知る限りでは、実際の物理実験データを用いてUAM FDを導出した最初の研究である。 理論的には、衝突回避のための2つのドローン制御法を設計し、多様なUAMトラフィックシナリオを生成するためのシミュレーションに基づくトラフィック生成手法を開発した。 Edieの定義に基づき、FDを構築するために交通流理論をほぼ定常な交通条件フィルタリング法で適用する。 実世界の混乱と不確実性をモデル化するために、Bitcraze Crazyflieドローンを用いた小型テストベッドでさらに物理実験を行う。 シミュレーションと物理実験の両方の軌跡データを収集し,UAMTra2Flowデータセットに整理し,提案フレームワークを用いて解析する。 地上輸送のための古典的なFD構造,特にアンダーウッドモデルがUAMシステムに適用可能であることを示す予備的な結果を得た。 特に、物理実験から得られたFD曲線は、シミュレーションに基づく結果から逸脱し、実験検証の重要性を強調している。 最後に, テストベッドの小型化を現実的な運用条件に拡張し, 将来のUAM交通システムに対する実用的な洞察を提供する。 本論文のデータセットとコードはhttps://github.com/CATS-Lab/UAM-FD.comで公開されている。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• Prompt to Transfer: Sim-to-Real Transfer for Traffic Signal Control with Prompt Learning [4.195122359359966]
  大規模言語モデル(LLM)は大量知識に基づいて訓練されており、驚くべき推論能力を備えていることが判明した。 本研究では,LLMを利用してシステムダイナミクスの理解と解析を行う。
  論文  参考訳（メタデータ） (2023-08-28T03:49:13Z)
• TrafficFlowGAN: Physics-informed Flow based Generative Adversarial Network for Uncertainty Quantification [4.215251065887861]
  動的システムの不確実性定量化(UQ)のための物理インフォームドフローベース生成逆ネットワーク(GAN)であるTrafficFlowGANを提案する。 このフローモデルは、データ可能性の最大化と、畳み込み判別器を騙すことができる合成データを生成するために訓練される。 我々の知る限りでは、UQ問題に対するフロー、GAN、PIDLの統合を最初に提案します。
  論文  参考訳（メタデータ） (2022-06-19T03:35:12Z)
• Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
  垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
  論文  参考訳（メタデータ） (2021-12-26T14:41:52Z)
• CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
  CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。 多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。 本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
  論文  参考訳（メタデータ） (2020-05-09T18:06:09Z)

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。