論文の概要: Online parameter estimation for the Crazyflie quadcopter through an EM algorithm
- arxiv url: http://arxiv.org/abs/2601.17009v1
- Date: Wed, 14 Jan 2026 14:26:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-02 02:21:38.487514
- Title: Online parameter estimation for the Crazyflie quadcopter through an EM algorithm
- Title（参考訳）: EMアルゴリズムによるクワッドコプターのオンラインパラメータ推定
- Authors: Yanhua Zhao,
- Abstract要約: クワッドコプターは4回転式ドローンで、この論文で研究されている。
クワッドコプターシステムにランダムノイズが付加され、ドローンシステムへの影響が研究される。
拡張カルマンフィルタは、センサからのノイズ観測に基づいて状態を推定するために使用されている。
その結果,オンラインパラメータ推定はオフラインパラメータ推定よりも若干大きな収束値を持つことがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Drones are becoming more and more popular nowadays. They are small in size, low in cost, and reliable in operation. They contain a variety of sensors and can perform a variety of flight tasks, reaching places that are difficult or inaccessible for humans. Earthquakes damage a lot of infrastructure, making it impossible for rescuers to reach some areas. But drones can help. Many amateur and professional photographers like to use drones for aerial photography. Drones play a non-negligible role in agriculture and transportation too. Drones can be used to spray pesticides, and they can also transport supplies. A quadcopter is a four-rotor drone and has been studied in this paper. In this paper, random noise is added to the quadcopter system and its effects on the drone system are studied. An extended Kalman filter has been used to estimate the state based on noisy observations from the sensor. Based on a SDE system, a linear quadratic Gaussian controller has been implemented. The expectation maximization algorithm has been applied for parameter estimation of the quadcopter. The results of offline parameter estimation and online parameter estimation are presented. The results show that the online parameter estimation has a slightly larger range of convergence values than the offline parameter estimation.
- Abstract（参考訳）: ドローンは最近ますます人気が高まっている。
小型で、低コストで運用に信頼性がある。
様々なセンサーが組み込まれており、様々な飛行作業を行い、人間にとって困難な場所やアクセス不能な場所に到達することができる。
地震は多くのインフラを損傷し、救助隊がいくつかの地域に到達することは不可能である。
しかし、ドローンは役に立つ。
多くのアマチュア・プロの写真家は空中撮影にドローンを使うのが好きだ。
ドローンは農業や輸送においても無視できない役割を担っている。
ドローンは殺虫剤の噴霧に利用でき、物資を輸送することもできる。
クワッドコプターは4回転式ドローンで、この論文で研究されている。
本稿では,クワッドコプターシステムにランダムノイズを付加し,そのドローンシステムへの影響について検討する。
拡張カルマンフィルタは、センサからのノイズ観測に基づいて状態を推定するために使用されている。
SDEシステムに基づく線形二次ガウス制御系が実装されている。
予測最大化アルゴリズムをクワッドコプターのパラメータ推定に適用した。
オフラインパラメータ推定とオンラインパラメータ推定の結果を示す。
その結果,オンラインパラメータ推定はオフラインパラメータ推定よりも若干大きな収束値を持つことがわかった。
関連論文リスト
- 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) - 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) - 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) - A dataset for multi-sensor drone detection [67.75999072448555]
近年,小型・遠隔操作無人航空機(UAV)の使用が増加している。
ドローン検出に関するほとんどの研究は、取得デバイスの種類、ドローンの種類、検出範囲、データセットを特定することに失敗している。
我々は、赤外線および可視ビデオとオーディオファイルを含むドローン検出のための注釈付きマルチセンサーデータベースにコントリビュートする。
論文 参考訳（メタデータ） (2021-11-02T20:52:03Z) - Scarce Data Driven Deep Learning of Drones via Generalized Data
Distribution Space [12.377024173799631]
GAN(Generative Adversarial Network)を通じて、ドローンデータの一般的な分布を理解することで、不足したデータを取得して、迅速かつ正確な学習を実現することができることを示す。
我々は、実際のドローン画像とコンピュータ支援設計のシミュレーション画像の両方を含むドローン画像データセット上で、我々の結果を実証した。
論文 参考訳（メタデータ） (2021-08-18T17:07:32Z) - 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) - Real-Time Drone Detection and Tracking With Visible, Thermal and
Acoustic Sensors [66.4525391417921]
熱赤外カメラは、ドローン検出タスクに対する実現可能な解決策であることが示されている。
また,センサ間距離の関数としての検出器性能についても検討した。
ドローン、鳥、飛行機、ヘリコプターの650個の注釈付き赤外線と可視ビデオを含む新しいビデオデータセットも紹介されている。
論文 参考訳（メタデータ） (2020-07-14T23:06:42Z) - University-1652: A Multi-view Multi-source Benchmark for Drone-based
Geo-localization [87.74121935246937]
我々は、ドローンによるジオローカライゼーションのための新しいマルチビューベンチマーク、University-1652を紹介する。
大学1652は、世界中の1,652の大学の建物から合成ドローン、衛星、地上カメラなどの3つのプラットフォームからのデータを含んでいる。
実験の結果,University-1652は視点不変の特徴の学習を支援し,実世界のシナリオにおいて優れた一般化能力を有することが示された。
論文 参考訳（メタデータ） (2020-02-27T15:24:15Z)
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。