論文の概要: DESCENT: Directed Edge Scene Encoding for Airport Surface Movement Prediction

• arxiv url: http://arxiv.org/abs/2608.26002v1
• Date: Wed, 26 Aug 2026 16:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.914541
• Title: DESCENT: Directed Edge Scene Encoding for Airport Surface Movement Prediction
• Title（参考訳）: DESCENT:空港表面運動予測のためのエッジシーンエンコーディング
• Authors: Alexander Prutsch, David Schinagl, Horst Possegger,
• Abstract要約: DESCENTは変圧器ベースのアーキテクチャで、不均一な力学と厳密なトポロジ的制約を扱うように設計されている。 本手法は,飛行場環境コンテキストを適応的に収集する,潜在的到達性セット(PRS)コンテキストサンプリング機構を備えている。 Amelia-10ベンチマークによる評価では,最先端のベースラインよりも大幅な性能向上が見られた。
• 参考スコア（独自算出の注目度）: 54.94692733670454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advanced automation is a key technology for enhancing the safety of ground operations amidst the increasing density of commercial air traffic. While motion forecasting is a well-studied task in autonomous driving, its application to airport surface movements remains underexplored. To enable efficient and accurate prediction in this domain, we propose DESCENT, a transformer-based architecture designed to handle heterogeneous dynamics and strict topological constraints. Our approach features a Potential Reachable Set (PRS) context sampling mechanism that adaptively collects airfield environment context across diverse operational phases. Combined with a detection transformer-based decoder, DESCENT generates accurate trajectory forecasts. Extensive evaluations on the Amelia-10 benchmark demonstrate significant performance improvements over state-of-the-art baselines. These gains are especially pronounced in safety-critical scenarios, where our domain-aware sampling provides critical long-horizon context necessary for safe navigation.
• Abstract（参考訳）: 高度自動化は、商業航空輸送の密度が増大する中で、地上作業の安全性を高めるための重要な技術である。 自動走行における運動予測はよく研究されている課題であるが、空港の表面運動への応用はいまだに未調査である。 この領域で効率よく正確な予測を可能にするために、不均一な力学と厳密な位相制約を扱うために設計されたトランスフォーマーベースのアーキテクチャであるDESCENTを提案する。 本手法は,様々な運用段階にわたって飛行場環境コンテキストを適応的に収集する,潜在的到達性集合(PRS)コンテキストサンプリング機構を特徴とする。 DESCENTは検出トランスベースのデコーダと組み合わせて正確な軌道予測を生成する。 Amelia-10ベンチマークの大規模な評価は、最先端のベースラインよりも大幅にパフォーマンスが向上したことを示している。 これらの利得は特に安全クリティカルなシナリオにおいて顕著であり、ドメイン認識サンプリングは安全なナビゲーションに必要な重要な長期的コンテキストを提供する。

関連論文リスト

• DroneFINE: Domain-Aware Parameter-Efficient Fine-Tuning of Vision-Language Detectors for Drone Images [50.96240625673857]
  DroneFINEは、VLMベースのドローン画像検出器用に設計された2つのドメイン対応補完モジュールからなる、新しいPEFTパラダイムである。 DroneFINEは既存のPEFTメソッドを著しく上回り、完全な微調整に匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-01T02:27:40Z)
• Synthetic-to-Real Pipeline for Safe Landing Zone Detection [0.0]
  この研究は、自律着陸タスクのシム・トゥ・リアルギャップを橋渡しするために設計された包括的知覚とデータ生成パイプラインを提案する。 本稿では,ドメインランダム化による自動意味アノテーションによる都市環境生成のための手続き型合成データエンジンを提案する。 決定論的着陸モジュールは、Euclidean Distance Transform (EDT) と動的推論ロジックを使用して、最も大きな入力された安全な着陸ゾーンを特定する。
  論文  参考訳（メタデータ） (2026-06-09T01:32:07Z)
• 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)
• A prior information informed learning architecture for flying trajectory prediction [15.723257387969712]
  飛行物体の軌道予測は、スポーツ分析から航空宇宙まで幅広い領域において重要である。 本稿では,環境先行をデュアルトランスフォーマー・カスケードアーキテクチャと統合した,ハードウェア効率の良いトラジェクトリ予測フレームワークを提案する。 本研究では,実際の屋外コートにおけるテニスボールの着地点の予測により,このアプローチを実証する。
  論文  参考訳（メタデータ） (2026-03-06T20:33:07Z)
• 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)
• 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)
• A Transformer-Based Conditional GAN with Multiple Instance Learning for UAV Signal Detection and Classification [17.586093539522327]
  本稿では,トランスフォーマーをベースとしたGAN(Generative Adversarial Network)とMILET(Multiple Examplely Explainable Learning)を統合した新しいフレームワークを提案する。 実験の結果,DroneDetectデータセットでは96.5%,DroneRFデータセットでは98.6%の精度が得られた。 このフレームワークはまた、様々なUAVプラットフォームと飛行状態にまたがる強力な計算効率と堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-19T12:35:45Z)
• Adaptive Path Planning for UAV-based Multi-Resolution Semantic Segmentation [26.729010176211016]
  本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。 私たちのアプローチの重要な特徴は、ディープラーニングベースのアーキテクチャのための新しい精度モデルです。 実地フィールドデータを用いた精密農業における作物・雑草分断の適用性について,本研究のアプローチを評価した。
  論文  参考訳（メタデータ） (2021-08-04T07:30:04Z)

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。