論文の概要: SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms
- arxiv url: http://arxiv.org/abs/2602.15633v1
- Date: Tue, 17 Feb 2026 15:03:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.514527
- Title: SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms
- Title（参考訳）: SpecFuse: 海洋プラットフォーム上でのUAVランディングのためのスペクトル・テンポラル核融合予測制御フレームワーク
- Authors: Haichao Liu, Yufeng Hu, Shuang Wang, Kangjun Guo, Jun Ma, Jinni Zhou,
- Abstract要約: 周波数領域の時間-時間波分解を統合した新しいスペクトル融合フレームワークを提案する。
複雑なキャリブレーションに頼ることなく、IMUデータを介してリアルタイムに予測を洗練する。
3.2cmの予測誤差、4.46cmの着陸偏差、98.7% / 87.5%の成功率(2000/実世界)、82msの組込みハードウェアの遅延を達成し、44%-48%の精度で最先端の手法より優れている。
- 参考スコア（独自算出の注目度）: 6.921143850808118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous landing of Uncrewed Aerial Vehicles (UAVs) on oscillating marine platforms is severely constrained by wave-induced multi-frequency oscillations, wind disturbances, and prediction phase lags in motion prediction. Existing methods either treat platform motion as a general random process or lack explicit modeling of wave spectral characteristics, leading to suboptimal performance under dynamic sea conditions. To address these limitations, we propose SpecFuse: a novel spectral-temporal fusion predictive control framework that integrates frequency-domain wave decomposition with time-domain recursive state estimation for high-precision 6-DoF motion forecasting of Uncrewed Surface Vehicles (USVs). The framework explicitly models dominant wave harmonics to mitigate phase lags, refining predictions in real time via IMU data without relying on complex calibration. Additionally, we design a hierarchical control architecture featuring a sampling-based HPO-RRT* algorithm for dynamic trajectory planning under non-convex constraints and a learning-augmented predictive controller that fuses data-driven disturbance compensation with optimization-based execution. Extensive validations (2,000 simulations + 8 lake experiments) show our approach achieves a 3.2 cm prediction error, 4.46 cm landing deviation, 98.7% / 87.5% success rates (simulation / real-world), and 82 ms latency on embedded hardware, outperforming state-of-the-art methods by 44%-48% in accuracy. Its robustness to wave-wind coupling disturbances supports critical maritime missions such as search and rescue and environmental monitoring. All code, experimental configurations, and datasets will be released as open-source to facilitate reproducibility.
- Abstract（参考訳）: 振動する海洋プラットフォームへの無人航空機(UAV)の自律着陸は、波による多周波発振、風の乱れ、動き予測における位相ラグによって厳しく制限されている。
既存の手法は、プラットフォームの動きを一般的なランダムなプロセスとして扱うか、波動スペクトル特性の明示的なモデリングを欠くかのいずれかであり、動的海洋条件下での最適以下の性能をもたらす。
周波数領域の波動分解と時間領域の再帰状態推定を統合した新しいスペクトル時間融合予測制御フレームワークであるSpecFuseを提案する。
このフレームワークは、位相ラグを軽減するために支配的な波高調波を明示的にモデル化し、複雑なキャリブレーションに頼ることなくIMUデータを介してリアルタイムに予測を精製する。
さらに,非凸制約下での動的軌道計画のためのサンプリングベースHPO-RRT*アルゴリズムと,データ駆動型外乱補償と最適化ベースの実行とを融合した学習拡張予測制御を特徴とする階層型制御アーキテクチャを設計する。
大規模な検証(2000シミュレーション+8湖実験)により,我々のアプローチは3.2cmの予測誤差,4.46cmの着陸偏差,98.7%/87.5%の成功率(シミュレーション/実世界のシミュレーション),82msの組込みハードウェアでの遅延,44%-48%の精度向上を実現している。
波風の結合障害に対する堅牢性は、捜索や救助、環境モニタリングといった重要な海洋ミッションを支えている。
すべてのコード、実験的な設定、データセットは、再現性を促進するためにオープンソースとしてリリースされる。
関連論文リスト
- Physics-Informed Diffusion Model for Generating Synthetic Extreme Rare Weather Events Data [0.0]
伝統的なデータ拡張技術は、まれなカテゴリー4等価事象に特徴的な物理的一貫性と高強度勾配を維持するのに失敗する。
極端気象事象の合成多スペクトル衛星画像を生成するために,Context-UNetアーキテクチャに基づく物理インフォームド拡散モデルを提案する。
論文 参考訳（メタデータ） (2026-03-06T18:54:55Z) - Forecasting Seismic Waveforms: A Deep Learning Approach for Einstein Telescope [46.4942794596355]
我々は、アインシュタイン望遠鏡のような将来の重力波検出器の文脈において、3成分地震波形を予測する変圧器に基づくモデルであるtextitSeismoGPTを紹介した。
波形データから直接時間的および空間的依存関係を学習することにより、SeesmoGPTは現実的な地動パターンを捉え、正確な短期予測を提供する。
論文 参考訳（メタデータ） (2025-09-25T19:16:13Z) - Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。
データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。
アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
論文 参考訳（メタデータ） (2025-09-21T14:12:28Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - Deep learning methods for modeling infrasound transmission loss in the middle atmosphere [5.842419815638353]
我々は,世界規模でシミュレーションされた温度と風場からTLを予測しながら,予測誤差を最小限に抑えるために,最適化された畳み込みネットワークを開発した。
実装されたモデルは、周波数帯全体(0.1-3.2Hz)における平均誤差8.6dBのTLを予測し、現実的な大気シナリオを探索する。
論文 参考訳（メタデータ） (2025-06-02T13:10:29Z) - Model-free system identification of surface ships in waves via Hankel dynamic mode decomposition with control [0.0]
本研究は,ハンケル動的モード分解と制御(ハンケル-DMDc)を紹介し,比較する。
提案手法は,システム状態と入射波の上昇履歴から得られた限られたデータを用いて,低次モデルを生成する。
その結果,提案手法は解析の力学系を効果的に同定できることが示唆された。
論文 参考訳（メタデータ） (2025-02-17T11:11:14Z) - Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization [37.35829410807451]
本稿では,逆流マッチング最適化による高忠実かつ高効率な波形生成モデルである PeriodWave-Turbo を提案する。
さまざまな客観的メトリクスで最先端のパフォーマンスを達成するには、1,000ステップの微調整しか必要ありません。
PeriodWave のバックボーンを 29M から 70M のパラメータにスケールアップすることで、一般化を改善することで、 PeriodWave-Turbo は前例のない性能を実現している。
論文 参考訳（メタデータ） (2024-08-15T08:34:00Z) - 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) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z)
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。