論文の概要: Robust Evacuation for Multi-Drone Failure in Drone Light Shows

• arxiv url: http://arxiv.org/abs/2601.06728v1
• Date: Sun, 11 Jan 2026 00:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.727493
• Title: Robust Evacuation for Multi-Drone Failure in Drone Light Shows
• Title（参考訳）: ドローン光のマルチドーン故障に対するロバスト避難
• Authors: Minhyuk Park, Aloysius K. Mok, Tsz-Chiu Au,
• Abstract要約: 本稿では,複数のドローンの故障に特化して設計されたドローン駐車アルゴリズムを提案する。 本アルゴリズムは,ソーシャルLSTMモデルとアテンション機構を統合し,故障したドローンの軌道を予測する。 回収ノードでは、隠れたドローンを配置して、故障したドローンを代替し、ドローンの照明ショーを継続できるようにします。
• 参考スコア（独自算出の注目度）: 10.552465253379134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drone light shows have emerged as a popular form of entertainment in recent years. However, several high-profile incidents involving large-scale drone failures -- where multiple drones simultaneously fall from the sky -- have raised safety and reliability concerns. To ensure robustness, we propose a drone parking algorithm designed specifically for multiple drone failures in drone light shows, aimed at mitigating the risk of cascading collisions by drone evacuation and enabling rapid recovery from failures by leveraging strategically placed hidden drones. Our algorithm integrates a Social LSTM model with attention mechanisms to predict the trajectories of failing drones and compute near-optimal evacuation paths that minimize the likelihood of surviving drones being hit by fallen drones. In the recovery node, our system deploys hidden drones (operating with their LED lights turned off) to replace failed drones so that the drone light show can continue. Our experiments showed that our approach can greatly increase the robustness of a multi-drone system by leveraging deep learning to predict the trajectories of fallen drones.
• Abstract（参考訳）: ドローンのライトショーは近年、エンターテイメントの一般的な形態として現れている。 しかし、複数のドローンが同時に空から落下する大規模なドローンの故障が原因で、安全と信頼性の懸念が高まっている。 本研究の目的は、ドローンの避難によるカスケード衝突のリスクを軽減し、戦略的に配置された隠れドローンを利用して、故障からの迅速な回復を可能にすることにある。 本アルゴリズムは,ソーシャルLSTMモデルとアテンション機構を統合して,故障したドローンの軌道を予測し,落下したドローンが衝突する可能性を最小限に抑える最適避難経路を算出する。 回収ノードでは、隠れたドローン(LEDライトをオンにしている)を配置して、失敗したドローンを置き換えて、ドローンのライトショーを継続できるようにします。 実験の結果,落下したドローンの軌道予測に深層学習を活用することで,マルチドローンシステムのロバスト性を大幅に向上させることができることがわかった。

関連論文リスト

• Obfuscated Location Disclosure for Remote ID Enabled Drones [57.07815312703613]
  RID対応ドローン(OLO-RID)の難読化位置情報開示法を提案する。 実際のドローンの位置を開示する代わりに、OLO-RIDを装備したドローンは、モバイルシナリオで異なるプライベートな難解な場所を開示する。 OLO-RIDはまた、暗号化された位置情報でRIDメッセージを拡張し、認証されたエンティティによってのみアクセスすることができる。
  論文  参考訳（メタデータ） (2024-07-19T12:35:49Z)
• Drone-type-Set: Drone types detection benchmark for drone detection and tracking [0.6294091730968154]
  本稿では,認識された物体検出モデルとの比較とともに,各種ドローンのデータセットを提供する。 異なるモデルの実験結果と各手法の記載が提供される。
  論文  参考訳（メタデータ） (2024-05-16T18:56:46Z)
• Exploring Jamming and Hijacking Attacks for Micro Aerial Drones [14.970216072065861]
  Crazyflieのエコシステムは、最も人気のあるMicro Aerial Dronesの1つであり、世界中で展開される可能性がある。 本稿では,Crazy Real Time Protocol (CRTP) に対する2つの干渉攻撃について実験的に検討する。 本実験は,自律飛行モードと非自律飛行モードの両方において,このような攻撃の有効性を示すものである。
  論文  参考訳（メタデータ） (2024-03-06T17:09:27Z)
• Chasing the Intruder: A Reinforcement Learning Approach for Tracking Intruder Drones [0.08192907805418582]
  本研究では、チェッカードローンを用いて侵入者ドローンを識別・追跡するための強化学習に基づくアプローチを提案する。 提案手法は、強化学習の政策学習フレームワークにインターリーブされたコンピュータビジョン技術を用いている。 その結果、強化学習に基づくポリシーは、侵入者ドローンを識別・追跡するために収束していることがわかった。
  論文  参考訳（メタデータ） (2023-09-10T16:31:40Z)
• 3D Trajectory Reconstruction of Drones using a Single Camera [0.5937476291232799]
  一つのカメラでドローンの3次元軌道を再構築するための新しい枠組みを提案する。 ドローンを2D画像で自動的に追跡し、その2Dローテーションを推定する。 パブリックなドローンデータセットの欠如に対処するため、合成された2Dおよび3Dドローンデータセットも作成します。
  論文  参考訳（メタデータ） (2023-09-06T07:39:51Z)
• Unauthorized Drone Detection: Experiments and Prototypes [0.8294692832460543]
  本稿では、受信信号強度インジケータ(RSSI)と、ドローンの位置座標から生成された暗号鍵の2段階検証を利用する、新しい暗号化ベースのドローン検出方式を提案する。
  論文  参考訳（メタデータ） (2022-12-02T20:43:29Z)
• TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
  視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。 既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。 計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
  論文  参考訳（メタデータ） (2022-10-16T03:05:13Z)
• Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
  本稿では,他の飛行ドローンからドローンを検知する問題に対処する。 ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。 これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-31T17:43:31Z)
• Multi-Drone based Single Object Tracking with Agent Sharing Network [74.8198920355117]
  マルチDroneシングルオブジェクト追跡データセットは、92のビデオクリップと113,918の高解像度フレーム、63のビデオクリップ、145,875の高解像度フレームで構成されている。 エージェント共有ネットワーク(ASNet)は、複数のドローンからターゲットの自己教師付きテンプレート共有とビューアウェア融合によって提案される。
  論文  参考訳（メタデータ） (2020-03-16T03:27:04Z)

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。