論文の概要: Rooftop Wind Field Reconstruction Using Sparse Sensors: From Deterministic to Generative Learning Methods

• arxiv url: http://arxiv.org/abs/2603.13077v1
• Date: Fri, 13 Mar 2026 15:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.156496
• Title: Rooftop Wind Field Reconstruction Using Sparse Sensors: From Deterministic to Generative Learning Methods
• Title（参考訳）: スパースセンサを用いた屋根上風況の再現:決定論的から生成的学習法へ
• Authors: Yihang Zhou, Chao Lin, Hideki Kikumoto, Ryozo Ooka, Sibo Cheng,
• Abstract要約: リアルタイムの屋上風速分布は、ドローンや都市空調システムの安全運用に重要である。 本研究では,風洞実験データを用いた観測からの学習フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 8.928577928888595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time rooftop wind-speed distribution is important for the safe operation of drones and urban air mobility systems, wind control systems, and rooftop utilization. However, rooftop flows show strong nonlinearity, separation, and cross-direction variability, which make flow field reconstruction from sparse sensors difficult. This study develops a learning-from-observation framework using wind-tunnel experimental data obtained by Particle Image Velocimetry (PIV) and compares Kriging interpolation with three deep learning models: UNet, Vision Transformer Autoencoder (ViTAE), and Conditional Wasserstein GAN (CWGAN). We evaluate two training strategies, single wind-direction training (SDT) and mixed wind-direction training (MDT), across sensor densities from 5 to 30, test robustness under sensor position perturbations of plus or minus 1 grid, and optimize sensor placement via Proper Orthogonal Decomposition with QR decomposition. Results show that deep learning methods can reconstruct rooftop wind fields from sparse sensor data effectively. Compared with Kriging interpolation, the deep learning models improved SSIM by up to 32.7%, FAC2 by 24.2%, and NMSE by 27.8%. Mixed wind-direction training further improved performance, with gains of up to 173.7% in SSIM, 16.7% in FAC2, and 98.3% in MG compared with single-direction training. The results also show that sensor configuration, optimization, and training strategy should be considered jointly for reliable deployment. QR-based optimization improved robustness by up to 27.8% under sensor perturbations, although with metric-dependent trade-offs. Training on experimental rather than simulated data also provides practical guidance for method selection and sensor placement in different scenarios.
• Abstract（参考訳）: リアルタイムの屋上風速分布は、ドローンや都市空輸システム、風制御システム、屋上利用の安全運用において重要である。 しかし, 屋上流れは強い非線形性, 分離性, 横方向のばらつきを示すため, スパースセンサからの流れ場再構成が困難である。 本研究では,PIV(Particle Image Velocimetry)で得られた風洞実験データを用いて観測から学習するフレームワークを開発し,Kriging補間とUNet,ViTAE,Conditional Wasserstein GAN(CWGAN)の3つの深層学習モデルを比較した。 我々は,SDT(Single Wind-direction Training)とMDT(Mixed Wind-direction Training)の2つのトレーニング戦略の評価を行った。 その結果, 深層学習法は, 粗いセンサデータから屋上風場を効率的に再構築できることがわかった。 Kriging補間と比較して、ディープラーニングモデルはSSIMを32.7%、FAC2を24.2%、NMSEを27.8%改善した。 SSIMは最大173.7%、FAC2は16.7%、MGは98.3%向上した。 また,センサの構成,最適化,トレーニング戦略が,信頼性の高いデプロイメントのために共同で検討されるべきであることを示した。 QRベースの最適化により、センサーの摂動によりロバスト性は最大27.8%向上した。 シミュレーションデータよりも実験的なトレーニングは、異なるシナリオにおけるメソッドの選択とセンサー配置の実践的なガイダンスを提供する。

関連論文リスト

• Infrastructure Sensor-enabled Vehicle Data Generation using Multi-Sensor Fusion for Proactive Safety Applications at Work Zone [8.125809724901366]
  インフラベースセンシングとリアルタイム軌道生成は、ワークゾーンなどの高リスク道路セグメントの安全性向上を約束する。 本研究では、路面カメラとLiDARセンサーを協調環境に組み込むことにより、これらの障壁に対処する。 シミュレーションでは、融合アルゴリズムは個々のセンサーと比較して、長手誤差を最大70%削減した。
  論文  参考訳（メタデータ） (2025-09-29T19:58:27Z)
• PhySense: Sensor Placement Optimization for Accurate Physics Sensing [53.58729034895666]
  PhySenseは、物理的なフィールドを共同で再構築し、センサー配置を最適化するフレームワークである。 最先端の物理センサーの精度を達成し、以前は考えられていなかった情報的なセンサー配置を発見する。
  論文  参考訳（メタデータ） (2025-05-19T14:59:11Z)
• KAN-RCBEVDepth: A multi-modal fusion algorithm in object detection for autonomous driving [2.382388777981433]
  本稿では, 自律走行における3次元物体検出の高速化を目的としたkan-RCBEVDepth法を提案する。 我々のユニークなBird’s Eye Viewベースのアプローチは、検出精度と効率を大幅に改善します。 コードはurlhttps://www.laitiamo.com/laitiamo/RCBEVDepth-KANでリリースされる。
  論文  参考訳（メタデータ） (2024-08-04T16:54:49Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Cross-Sensor Adversarial Domain Adaptation of Landsat-8 and Proba-V images for Cloud Detection [1.5828697880068703]
  同様の特徴を持つ光学センサーを搭載した地球観測衛星の数は、常に増え続けている。 抽出された放射能の差は精度を著しく低下させ、センサー間の知識と情報共有を損なう。 本稿では,2つの衛星センサ間の画像の統計的差異を低減し,転送学習モデルの性能を向上させるための領域適応を提案する。
  論文  参考訳（メタデータ） (2020-06-10T16:16:01Z)

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。