論文の概要: Diffusion-based 4D Trajectory Prediction and Distributed Control for UAV Swarms
- arxiv url: http://arxiv.org/abs/2606.31197v1
- Date: Tue, 30 Jun 2026 06:26:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.096373
- Title: Diffusion-based 4D Trajectory Prediction and Distributed Control for UAV Swarms
- Title（参考訳）: 拡散に基づくUAV群集の4次元軌道予測と分散制御
- Abstract要約: 不確実性を考慮した予測モデル予測制御(DNMPC)と粗大から細大の軌道予測を結合した統合フレームワークを提案する。
提案手法は, 軸方向の運動を予測して計算複雑性を低減する次元分離軌道予測モジュールと, 時間的に相関する動的不確かさを捉える拡散型残留力学改善モジュールの2つの重要な革新を特徴とする。
我々のアプローチは最先端のベースラインを上回り、軌跡追尾誤差をtextbf10-15% まで低減し、複雑な都市・工業におけるsub-textbf0.07,m平均追尾誤差を達成する。
- 参考スコア（独自算出の注目度）: 9.09854701245782
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate 4D trajectory prediction and closed-loop tracking are essential for Unmanned Aerial Vehicle (UAV) swarms to achieve safe and efficient operations in complex low-altitude environments such as urban airspaces, industrial sites, and indoor facilities. However, this task remains challenging due to intrinsic nonlinearity of UAV swarm dynamics and strict real-time constraints of swarm formation control. To address these challenges, we propose a unified framework that couples coarse-to-fine trajectory forecasting with uncertainty-aware Distributed Nonlinear Model Predictive Control (DNMPC). Our approach features two key innovations: 1) a dimension-decoupled trajectory prediction module that reduces computational complexity by forecasting axis-wise motion, and 2) a diffusion-based residual dynamics refinement module that captures temporally correlated dynamic uncertainties. These refined predictions are then integrated into a DNMPC loop to ensure formation stability. We also introduce a synchronized multi-scenario 4D UAV swarm dataset spanning six representative airspace scenarios. The dataset contains over \textbf{7,900} frames of synchronized three-UAV trajectories with frame-level annotations of speed intention and target sector. Extensive experiments demonstrate that our approach outperforms state-of-the-art baselines, reducing trajectory tracking error by up to \textbf{10-15\%} and achieving sub-\textbf{0.07\,m} average tracking error in complex urban and industrial environments, while maintaining real-time inference speeds of 34 FPS (sub-30 ms latency) suitable for agile flight.
- Abstract（参考訳）: 都市空域、工業施設、屋内施設などの複雑な低高度環境での安全かつ効率的な運用を実現するために、無人航空機(UAV)の正確な4D軌道予測とクローズドループ追跡が不可欠である。
しかし、UAVのスワム力学の固有非線形性や、スワム形成制御の厳密なリアルタイム制約により、この課題は依然として困難なままである。
これらの課題に対処するために、不確実性を考慮した分散非線形モデル予測制御(DNMPC)と、粗大から細大の軌道予測を結合する統一的なフレームワークを提案する。
このアプローチには2つの重要なイノベーションがあります。
1)軸方向の動きを予測して計算複雑性を低減する次元分離軌道予測モジュール
2) 時間的に相関した動的不確かさを捉える拡散型残留力学リファインメントモジュール。
これらの洗練された予測は、生成安定性を確保するためにDNMPCループに統合される。
また,6つの代表的な空域シナリオにまたがる,同期型マルチセサリオ4DUAVスウォームデータセットも導入した。
このデータセットは、スピードインテンションとターゲットセクターのフレームレベルのアノテーションと同期された3UAV軌道のtextbf{7,900}フレームを含む。
大規模な実験により,本手法は最先端のベースラインより優れ,軌道追従誤差を最大10～15%まで低減し,複雑な都市・工業環境において平均追従誤差を達成するとともに,34 FPS (sub-30 ms latency) のリアルタイム推論速度を維持した。
関連論文リスト
- A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
車両の直接遠隔操作は重要な技術的ボトルネックに直面している。
通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。
本稿では,一方的な遠隔操作フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-11T01:51:08Z) - Trajectory-Consistent Flow Matching for Robust Visuomotor Policy Learning [1.7616042687330642]
フローマッチングポリシは、ノイズを動作に伝達する連続速度場を学習し、ロボット操作のための決定論的推論を可能にする。
標準トレーニングは、軌道の複雑な誤りを引き起こすミスマッチである、そのフィールドの数値的な統合を必要とする間、ポイントワイドな速度目標を最適化する。
本研究では,(1)全時間間隔にわたって時間的監督を均一に行う補助的整流流速度回帰,(2)軌道上の速度場の統合的変位を監督する多段階軌道整合性トレーニング,(3)時間的滑らかさを強制する速度場正規化の4つの補完策を提案する。
論文 参考訳（メタデータ） (2026-05-08T21:44:10Z) - RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。
様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。
強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
論文 参考訳（メタデータ） (2026-04-16T17:59:44Z) - SCT-MOT: Enhancing Air-to-Air Multiple UAVs Tracking with Swarm-Coupled Motion and Trajectory Guidance [3.098803750460157]
スウォームUAVの空気対空追跡は、複雑な非線形群運動と小さな物体に対する弱い視覚的手がかりによって大きな課題を呈している。
既存の手法は軌道予測を取り入れて性能向上を図っているが、個々の物体を独立してモデル化している。
SCTMO-Tは,Swarm-Coupled Motion ModelingとTrjectory-Guided Feature fusionを統合したトラッキングフレームワークである。
論文 参考訳（メタデータ） (2026-04-08T09:42:28Z) - ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace [54.94692733670454]
ASCENTは、マルチモーダル3D航空機の軌道予測のための軽量トランスフォーマーベースのモデルである。
ドメイン対応の3D座標正規化とパラメータ化予測を統合している。
論文 参考訳（メタデータ） (2026-03-17T14:16:10Z) - Trajectory Design for UAV-Based Low-Altitude Wireless Networks in Unknown Environments: A Digital Twin-Assisted TD3 Approach [62.11847362756054]
低高度無線ネットワーク(LAWN)のキーイネーブラーとして無人航空機(UAV)が登場している
我々は、デジタルツイン(DT)支援トレーニングおよびデプロイメントフレームワークを提案する。
このフレームワークでは、UAVは統合されたセンシングと通信信号を送信し、地上ユーザーに通信サービスを提供し、同時にDTサーバにアップロードされたエコーを収集して、仮想環境(VE)を段階的に構築する。
これらのVEはモデルトレーニングを加速し、展開中のリアルタイムUAVセンシングデータを継続的に更新し、意思決定をサポートし、飛行安全性を向上する。
論文 参考訳（メタデータ） (2025-10-28T10:05:53Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - DA-STGCN: 4D Trajectory Prediction Based on Spatiotemporal Feature Extraction [6.781509470656284]
本稿では,2つの注意機構を統合した革新的なグラフ畳み込みネットワークであるDA-STGCNを提案する。
本モデルでは,自己アテンションアプローチにより隣接行列を再構成し,ノード相関の捕捉性を高める。
その結果, 平均変位誤差 (Attention) と最終変位誤差 (FDE) の20%と30%の低減を実現し, 現行の4次元軌道予測法よりも顕著な改善が見られた。
論文 参考訳（メタデータ） (2025-03-05T03:42:49Z) - Bayesian Approximation-Based Trajectory Prediction and Tracking with 4D Radar [13.438311878715536]
3Dマルチオブジェクトトラッキング(MOT)は自動運転車には不可欠だが、LiDARとカメラベースの手法は悪天候下では劣化する。
本研究では,4次元レーダベースMOTフレームワークであるBayes-4DRTrackを提案する。
論文 参考訳（メタデータ） (2025-02-03T13:49:21Z) - VECTOR: Velocity-Enhanced GRU Neural Network for Real-Time 3D UAV Trajectory Prediction [2.1825723033513165]
シーケンスベースニューラルネットワークにおけるGRU(Gated Recurrent Units)を用いた新しいトラジェクトリ予測手法を提案する。
我々は、合成と実世界のUAV軌跡データの両方を使用し、幅広い飛行パターン、速度、機敏性を捉えています。
GRUベースのモデルは、平均二乗誤差(MSE)を2×10-8に抑えながら、最先端のRNNアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2024-10-24T07:16:42Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z)
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。