論文の概要: An Automatic Ground Collision Avoidance System with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.24403v1
• Date: Mon, 27 Apr 2026 12:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.00062
• Title: An Automatic Ground Collision Avoidance System with Reinforcement Learning
• Title（参考訳）: 強化学習による地中衝突回避システム
• Authors: Seyyid Osman Sevgili, Atahan Cilan, Mahir Demir, Özgün Can Yürütken, Ümit Can Bekar,
• Abstract要約: 本稿では,高度ジェットトレーナーを対象としたAIを用いた自動地衝突回避システム(AGCAS)について述べる。 このシステムは、ランドスケープサーバ上での視線クエリを使用して、正確な衝突回避と効率的な衝突回避を確実にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article evaluates an artificial intelligence (AI)-based Automatic Ground Collision Avoidance System (AGCAS) designed for advanced jet trainers to enhance operational effectiveness. In the continuously evolving field of aerospace engineering, the integration of AI is crucial for advancing operations with improved timing constraints and efficiency. Our study explores the design process of an AI-driven AGCAS, specifically tailored for advanced jet trainers, focusing on addressing the AGCAS problem within a limited observation space. The system utilizes line-of-sight queries on a terrain server to ensure precise and efficient collision avoidance. This approach aims to significantly improve the safety and operational capabilities of advanced jet trainers.
• Abstract（参考訳）: 本稿では,高度ジェットトレーナーを対象としたAIを用いた自動地衝突回避システム(AGCAS)について述べる。 航空宇宙工学の継続的な発展の分野では、AIの統合は、時間的制約と効率を改善したオペレーションを進めるために不可欠である。 本研究では,高度ジェットトレーナーに適したAI駆動型AGCASの設計プロセスについて検討し,限られた観測空間内でのAGCAS問題に対処することに焦点を当てた。 このシステムは、ランドスケープサーバ上での視線クエリを使用して、正確な衝突回避と効率的な衝突回避を確実にする。 このアプローチは、高度ジェットトレーナーの安全性と運用性を大幅に向上することを目的としている。

関連論文リスト

• AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios [64.51320327698231]
  UAVシナリオにおける最初の大規模RMOTベンチマークであるAerialMindを紹介する。 我々は、革新的な半自動協調型エージェントベースラベリングアシスタントフレームワークを開発した。 また,視覚言語表現学習を協調的に強化する新しい手法であるHawkEyeTrackを提案する。
  論文  参考訳（メタデータ） (2025-11-26T04:44:27Z)
• Deep Reinforcement Learning Based Systems for Safety Critical Applications in Aerospace [0.0]
  航空宇宙における人工知能(AI)応用の最近の進歩は、かなりの成長を見せている。 高性能コンピューティングプラットフォームは進化を続けており、現在の飛行制御コンピュータやエンジン制御コンピュータを置き換えることが期待されている。 このシフトにより、画像処理や欠陥検出といったリアルタイムAIアプリケーションが、監視システムにシームレスに統合できるようになる。
  論文  参考訳（メタデータ） (2024-12-21T05:17:55Z)
• Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [68.36528819227641]
  本稿では,ビジョン・ランゲージ・アクション(VLA)モデルのロバスト性を体系的に評価する。 本研究では,ロボット行動の不安定化に空間的基盤を活用する2つの未目標攻撃目標と,ロボット軌道を操作する目標攻撃目標を導入する。 我々は、カメラの視野に小さなカラフルなパッチを配置し、デジタルと物理の両方の環境で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
  論文  参考訳（メタデータ） (2024-11-18T01:52:20Z)
• Intercepting Unauthorized Aerial Robots in Controlled Airspace Using Reinforcement Learning [2.519319150166215]
  制御空域における無人航空機(UAV)の増殖は重大なリスクをもたらす。 この作業は、強化学習(RL)を用いることで、そのような脅威を管理することのできる堅牢で適応的なシステムの必要性に対処する。 固定翼UAV追跡エージェントの訓練にRLを用いる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-09T14:45:47Z)
• Reinforcement Learning-Based Air Traffic Deconfliction [7.782300855058585]
  本研究は,2機の水平分離を自動化することに焦点を当て,障害物回避問題を2次元サロゲート最適化課題として提示する。 強化学習(RL)を用いて、回避ポリシーを最適化し、ダイナミクス、インタラクション、意思決定をモデル化する。 提案システムは,安全要件を満たす高速かつ達成可能な回避軌道を生成する。
  論文  参考訳（メタデータ） (2023-01-05T00:37:20Z)
• Reward Function Optimization of a Deep Reinforcement Learning Collision Avoidance System [0.0]
  無人航空機システム(UAS)の普及により、航空宇宙規制当局はこれらの航空機と衝突回避システムとの相互運用性を検討するようになった。 現在義務化されているTCASの制限により、連邦航空局は新たなソリューションである空中衝突回避システムX(ACAS X)の開発を委託した。 本研究では,サロゲートを用いてパラメータを調整したDRL衝突回避システムの利点について検討する。
  論文  参考訳（メタデータ） (2022-12-01T20:20:41Z)
• Obstacle Avoidance for UAS in Continuous Action Space Using Deep Reinforcement Learning [9.891207216312937]
  小型無人航空機の障害物回避は将来の都市空輸の安全に不可欠である。 本稿では, PPO(Proximal Policy Optimization)に基づく深層強化学習アルゴリズムを提案する。 その結果,提案モデルが正確かつ堅牢なガイダンスを提供し,99%以上の成功率で競合を解消できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-13T04:44:53Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)

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。