論文の概要: Towards On-Board Implementation of ML-Based Helicopter Weight Estimator

• arxiv url: http://arxiv.org/abs/2608.19210v1
• Date: Fri, 12 Jun 2026 11:42:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.265484
• Title: Towards On-Board Implementation of ML-Based Helicopter Weight Estimator
• Title（参考訳）: ML型ヘリコプタ重み推定器のオンボード実装に向けて
• Abstract要約: 本稿では、離陸時のヘリコプター重量を推定するための教師付き機械学習モデルの実装に焦点を当てた。 この研究は、機械学習応用のためのEASA概念論文と、現在進行中のEurocae ED-324に適合する学習保証プロセスについて詳述している。 この実装は、オンボードアラートのような重要な機能のために、航空機の目標に対して開発された機械学習モデル重み推定器を配置するのに適している。
• 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 paper focuses on the implementation of a novel supervised Machine Learning model for estimating helicopter weight during takeoff, utilizing extensive datasets from Airbus's global in-service fleet. The study details a learning assurance process aligned with the EASA concept paper for machine learning application, and with the on-going Eurocae ED-324. We propose a set of Machine Learning Requirements, a Machine Learning Model Description, and its implementation for a long short-term memory recurrent neural network. Finally, we verify the requirements on the implementation. Demonstrated on legacy avionics computers, the implementation is suitable for the deployment of the developed Machine Learning Model weight estimator on airborne targets for critical functions such as on-board alerting.
• Abstract（参考訳）: 本稿では、離陸時のヘリコプター重量を推定するための教師付き機械学習モデルの実装に焦点を当て、Airbusのグローバル・イン・サービス・フリートからの広範なデータセットを活用する。 この研究は、機械学習応用のためのEASA概念論文と、現在進行中のEurocae ED-324に適合する学習保証プロセスについて詳述している。 本稿では,機械学習モデル記述法である機械学習要件のセットを提案し,その実装を長期記憶再帰ニューラルネットワークに適用する。 最後に,実装の要件を検証する。 従来のアビオニクスコンピュータで実証されたこの実装は、オンボードアラートのような重要な機能のために、航空機の目標に対して開発された機械学習モデル重み推定器を配置するのに適している。

関連論文リスト

• Using Federated Machine Learning in Predictive Maintenance of Jet Engines [0.0]
  本稿では,連合型機械学習フレームワークを用いて,タービンジェットエンジンの残留実用寿命(RUL)を予測することを目的とする。 このシステムは、RUL予測の精度を高めるために、エンジンデータの複雑な計算とパターンをキャプチャすることを目的としている。
  論文  参考訳（メタデータ） (2025-02-07T20:41:36Z)
• An Integrated Imitation and Reinforcement Learning Methodology for Robust Agile Aircraft Control with Limited Pilot Demonstration Data [3.3748750222488657]
  本稿では,アジャイル航空機のデータ駆動操作生成モデルの構築手法を提案する。 提案手法は, 模倣学習, 伝達学習, 強化学習の技法を組み合わせて, この目的を達成する。
  論文  参考訳（メタデータ） (2023-12-27T14:26:34Z)
• An Interpretable Systematic Review of Machine Learning Models for Predictive Maintenance of Aircraft Engine [0.12289361708127873]
  本稿では,航空機エンジンの保守性を予測するため,各種機械学習モデルと深層学習モデルの解釈可能なレビューを行う。 本研究では, LSTM, Bi-LSTM, RNN, Bi-RNN GRU, Random Forest, KNN, Naive Bayes, Gradient Boostingを用いて, 航空機のエンジン故障の予測にセンサデータを用いた。 97.8%、97.14%、96.42%はGRU、Bi-LSTM、LSTMによってそれぞれ得られる。
  論文  参考訳（メタデータ） (2023-09-23T08:54:10Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• On-device Training: A First Overview on Existing Systems [6.551096686706628]
  リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。 この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
  論文  参考訳（メタデータ） (2022-12-01T19:22:29Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。