論文の概要: CoBA: Integrated Deep Learning Model for Reliable Low-Altitude UAV Classification in mmWave Radio Networks

• arxiv url: http://arxiv.org/abs/2601.20605v1
• Date: Wed, 28 Jan 2026 13:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.951092
• Title: CoBA: Integrated Deep Learning Model for Reliable Low-Altitude UAV Classification in mmWave Radio Networks
• Title（参考訳）: CoBA:mWave無線ネットワークにおける信頼性低高度UAV分類のための統合ディープラーニングモデル
• Authors: Junaid Sajid, Ivo Müürsepp, Luca Reggiani, Davide Scazzoli, Federico Francesco Luigi Mariani, Maurizio Magarini, Rizwan Ahmad, Muhammad Mahtab Alam,
• Abstract要約: 本稿では,低高度UAVを許可空域と制限空域に分類する深層学習モデル(CoBA)を提案する。 提案したCoBAモデルは、畳み込み、双方向のリカレント、アテンション層を統合し、UAVラジオ測定における空間的パターンと時間的パターンの両方をキャプチャする。 実験結果から,CoBAの精度は良好であり,全てのベースラインモデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 10.0058283995359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncrewed Aerial Vehicles (UAVs) are increasingly used in civilian and industrial applications, making secure low-altitude operations crucial. In dense mmWave environments, accurately classifying low-altitude UAVs as either inside authorized or restricted airspaces remains challenging, requiring models that handle complex propagation and signal variability. This paper proposes a deep learning model, referred to as CoBA, which stands for integrated Convolutional Neural Network (CNN), Bidirectional Long Short-Term Memory (BiLSTM), and Attention which leverages Fifth Generation (5G) millimeter-wave (mmWave) radio measurements to classify UAV operations in authorized and restricted airspaces at low altitude. The proposed CoBA model integrates convolutional, bidirectional recurrent, and attention layers to capture both spatial and temporal patterns in UAV radio measurements. To validate the model, a dedicated dataset is collected using the 5G mmWave network at TalTech, with controlled low altitude UAV flights in authorized and restricted scenarios. The model is evaluated against conventional ML models and a fingerprinting-based benchmark. Experimental results show that CoBA achieves superior accuracy, significantly outperforming all baseline models and demonstrating its potential for reliable and regulated UAV airspace monitoring.
• Abstract（参考訳）: 無人航空機(UAV)は、民間や工業の用途での利用が増えているため、安全な低高度飛行が重要である。 密集したmmWave環境では、高高度UAVを許可されたまたは制限された空域内のいずれかに正確に分類することは困難であり、複雑な伝播と信号の可変性を扱うモデルが必要である。 本稿では,第5世代(5G)ミリ波(mmWave)ラジオ計測を利用した低高度・制限空域におけるUAVの動作を分類するために,CNN,Bidirectional Long Short-Term Memory(BiLSTM),Attention(Attention)を併用した深層学習モデルを提案する。 提案したCoBAモデルは、畳み込み、双方向のリカレント、アテンション層を統合し、UAVラジオ測定における空間的パターンと時間的パターンの両方をキャプチャする。 モデルを検証するために、TalTechの5G mmWaveネットワークを使用して専用のデータセットを収集する。 このモデルは従来のMLモデルとフィンガープリントベースのベンチマークに対して評価される。 実験結果から,CoBAの精度は向上し,すべてのベースラインモデルよりも大幅に向上し,信頼性および規制されたUAV空域監視の可能性を示した。

関連論文リスト

• UAV-MM3D: A Large-Scale Synthetic Benchmark for 3D Perception of Unmanned Aerial Vehicles with Multi-Modal Data [47.317955428393134]
  UAV-MM3Dは,低高度UAV知覚と動作理解のための多モード合成データセットである。 様々なシーン(都市部、郊外部、森林部、沿岸部)と気象条件にまたがる400Kの同期フレームで構成されている。 各フレームは2D/3Dバウンディングボックス、6-DoFのポーズ、インスタンスレベルのアノテーションを提供し、3D検出、ポーズ推定、ターゲット追跡、短期軌道予測などのUAVに関連するコアタスクを可能にする。
  論文  参考訳（メタデータ） (2025-11-27T12:30:28Z)
• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• UAVDB: Point-Guided Masks for UAV Detection and Segmentation [0.03464344220266879]
  UAVの検出とセグメンテーションのための新しいベンチマークデータセットであるUAVDBを提案する。 ポイント誘導の弱い監視パイプライン上に構築されている。 UAVDBは、可視オブジェクトからほぼ1ピクセルのインスタンスまで、さまざまなスケールでUAVをキャプチャする。
  論文  参考訳（メタデータ） (2024-09-09T13:27:53Z)
• Robust Low-Cost Drone Detection and Classification in Low SNR Environments [0.9087641068861043]
  ドローンを検知し、分類する能力について、様々な畳み込みニューラルネットワーク(CNN)を評価した。 本稿では,標準コンピュータ,ソフトウェア定義無線(SDR),アンテナを用いた低コストドローン検知システムについて紹介する。
  論文  参考訳（メタデータ） (2024-06-26T12:50:55Z)
• Distributed Conditional Generative Adversarial Networks (GANs) for Data-Driven Millimeter Wave Communications in UAV Networks [116.94802388688653]
  無人航空機(UAV)無線ネットワークにおけるミリ波(mmWave)通信のための,データ駆動型空対地(A2G)チャネル推定手法を提案する。 実効的なチャネル推定手法を開発し、各UAVは、各ビームフォーミング方向に沿って条件付き生成対向ネットワーク(CGAN)を介してスタンドアロンチャネルモデルを訓練することができる。 分散CGANアーキテクチャに基づく協調的なフレームワークを開発し、各UAVがmmWaveチャネルの分布を協調的に学習できるようにする。
  論文  参考訳（メタデータ） (2021-02-02T20:56:46Z)
• Integrating LEO Satellites and Multi-UAV Reinforcement Learning for Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
  低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。 我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
  論文  参考訳（メタデータ） (2020-10-20T09:07:10Z)
• Codebook-Based Beam Tracking for Conformal ArrayEnabled UAV MmWave Networks [33.52271582081627]
  ミリ波(mmWave)通信は無人航空機(UAV)ネットワークの高データレート要件を満たす可能性がある。 mmWave通信の前提条件として,UAVの3次元移動と姿勢変化のため,狭方向ビーム追跡は非常に困難である。 本研究では,UAVの両面にコンフォメーションアレイを組み込むことにより,高ダイナミックUAVmmWaveネットワークにおける全空間カバレッジとアジャイルビームトラッキングを実現することを提案する。
  論文  参考訳（メタデータ） (2020-05-28T14:57:23Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。