論文の概要: Weather-Aware Transformer for Real-Time Route Optimization in Drone-as-a-Service Operations
- arxiv url: http://arxiv.org/abs/2601.03376v1
- Date: Tue, 06 Jan 2026 19:23:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 02:15:22.987107
- Title: Weather-Aware Transformer for Real-Time Route Optimization in Drone-as-a-Service Operations
- Title（参考訳）: ドローン・アズ・ア・サービス運用におけるリアルタイム経路最適化のための気象対応変圧器
- Authors: Kamal Mohamed, Lillian Wassim, Ali Hamdi, Khaled Shaban,
- Abstract要約: 本稿では、気象を考慮したディープラーニングモデルを用いて、ドローン・アズ・ア・サービス運用における経路予測を高速化する新しい枠組みを提案する。
我々は、古典的なアルゴリズムシミュレーションから生成された合成データセット上で、機械学習とディープラーニングモデルを訓練することで、この制限に対処する。
- 参考スコア（独自算出の注目度）: 0.4666493857924357
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel framework to accelerate route prediction in Drone-as-a-Service operations through weather-aware deep learning models. While classical path-planning algorithms, such as A* and Dijkstra, provide optimal solutions, their computational complexity limits real-time applicability in dynamic environments. We address this limitation by training machine learning and deep learning models on synthetic datasets generated from classical algorithm simulations. Our approach incorporates transformer-based and attention-based architectures that utilize weather heuristics to predict optimal next-node selections while accounting for meteorological conditions affecting drone operations. The attention mechanisms dynamically weight environmental factors including wind patterns, wind bearing, and temperature to enhance routing decisions under adverse weather conditions. Experimental results demonstrate that our weather-aware models achieve significant computational speedup over traditional algorithms while maintaining route optimization performance, with transformer-based architectures showing superior adaptation to dynamic environmental constraints. The proposed framework enables real-time, weather-responsive route optimization for large-scale DaaS operations, representing a substantial advancement in the efficiency and safety of autonomous drone systems.
- Abstract（参考訳）: 本稿では、気象を考慮したディープラーニングモデルを用いて、ドローン・アズ・ア・サービス運用における経路予測を高速化する新しい枠組みを提案する。
A* や Dijkstra のような古典的な経路計画アルゴリズムは最適解を提供するが、その計算複雑性は動的環境におけるリアルタイム適用性を制限している。
我々は、古典的なアルゴリズムシミュレーションから生成された合成データセット上で、機械学習とディープラーニングモデルを訓練することで、この制限に対処する。
提案手法は,気象学的な気象条件を考慮しつつ,気象ヒューリスティックスを用いて最適な次ノード選択を予測できるトランスフォーマーとアテンションに基づくアーキテクチャを取り入れたものである。
注意機構は、風のパターン、風の軸受、温度などの環境要因を動的に重み付けし、悪天候条件下での経路決定を強化する。
実験により,我々の気象を考慮したモデルでは,経路最適化性能を維持しながら従来のアルゴリズムよりも計算速度が大幅に向上し,動的環境制約への適応性が優れたトランスフォーマーアーキテクチャが得られた。
提案するフレームワークは,自律ドローンシステムの効率性と安全性を大幅に向上させるとともに,大規模DaaS運用におけるリアルタイムで天候に敏感な経路最適化を可能にする。
関連論文リスト
- Attention-Enhanced Convolutional Autoencoder and Structured Delay Embeddings for Weather Prediction [0.5729426778193397]
本研究は,短距離気象予測のための効率的なリダクション・オーダー・モデリング(ROM)フレームワークを提案する。
大規模な計算リソースを必要とする最近のAI駆動モデルとは異なり、我々のフレームワークは適切な精度を確保しながら効率を優先する。
論文 参考訳（メタデータ） (2025-11-16T16:53:27Z) - PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。
具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。
実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
論文 参考訳（メタデータ） (2025-07-01T14:48:22Z) - AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。
非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。
提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
論文 参考訳（メタデータ） (2025-04-30T23:55:44Z) - WeatherFormer: Empowering Global Numerical Weather Forecasting with Space-Time Transformer [18.1906457042669]
数値気象予報システム (NWP) は近代社会に多大な影響を与えるインフラである。
従来のNWPは、複雑な偏微分方程式を巨大な計算クラスターで解き、大量の二酸化炭素を放出する。
この研究は、複雑な時間的大気力学をモデル化するための新しいトランスフォーマーベースのNWPフレームワークであるWeatherFormerを提案する。
論文 参考訳（メタデータ） (2024-09-21T07:02:31Z) - Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。
また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments [4.0543433786183485]
未知環境における自律飛行のためのニューラル・エンハンスト・トレイ・プランナー(NEO-Planner)を提案する。
NEO-Plannerは、生のセンサー観測から直接軌道の空間的および時間的パラメータを予測することを学ぶ。
最適化を20%削減し、純粋な最適化手法と比較して軌道時間も26%減少する。
論文 参考訳（メタデータ） (2023-09-19T15:07:26Z) - Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter
Selection in Short-Term Weather Forecasting [0.0]
本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。
平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
論文 参考訳（メタデータ） (2023-09-05T22:13:35Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z)
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。