論文の概要: GeoWind2Plan: Mission-Time 3D Urban Wind Prediction for Energy-Efficient UAV Planning

• arxiv url: http://arxiv.org/abs/2609.36056v1
• Date: Mon, 28 Sep 2026 18:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.930653
• Title: GeoWind2Plan: Mission-Time 3D Urban Wind Prediction for Energy-Efficient UAV Planning
• Title（参考訳）: GeoWind2Plan:エネルギー効率のよいUAV計画のためのミッションタイム3次元都市風速予測
• Abstract要約: ビルで解決された風力情報は、ミッションを計画する必要があるときにほとんど利用できない。 ミッションタイム3次元都市風予測のためのジオウィンド2プランニングフレームワークであるGeoWind2Planを提案する。
• 参考スコア（独自算出の注目度）: 76.14052876471
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In urban low-altitude flight, buildings reshape ambient wind into spatially varying 3D flow, making unmanned aerial vehicle (UAV) energy depend on local wind exposure as well as path length. However, building-resolved wind information is rarely available when a mission must be planned. Computational fluid dynamics (CFD) can produce high-fidelity urban flow fields, but each simulation is tied to a fixed inflow boundary condition and can take hours to days, which is incompatible with urban UAV missions that typically last minutes to tens of minutes. We present GeoWind2Plan, a geometry-to-wind-to-planning framework for mission-time 3D urban wind prediction and energy-efficient UAV planning. Given only a background wind vector, 3D building geometry, and a start-goal pair, GeoWind2Plan transforms the building geometry into a reference-wind frame, predicts mission-relevant 3D wind patches with a localized geometry-conditioned neural operator, stitches them into a queryable local wind field, and optimizes a feasible 3D path and speed profile using a physically grounded UAV energy model. Rather than pursuing CFD-perfect reconstruction, GeoWind2Plan targets decision-useful wind prediction: trajectories are planned with predicted wind and evaluated under high-fidelity CFD wind. Across held-out urban domains, wind speeds, and mission wind-angle regimes, GeoWind2Plan performs corridor-localized wind inference in about 3 seconds, compared with roughly 8 hours for CFD. Under CFD evaluation, trajectories planned with GeoWind2Plan reduce energy by 6.9%, 12.7%, and 4.5% in tailwind, headwind, and crosswind missions relative to wind-agnostic planning, recovering 87.9%, 85.7%, and 75.0% of CFD-reference savings. These results show that fast, corridor-localized 3D urban wind prediction can make wind-aware UAV energy planning practical at mission time.
• Abstract（参考訳）: 都市低高度飛行では、建物は周囲の風を空間的に変化する3次元の流れに変化させ、無人航空機(UAV)のエネルギーは局所的な風の露出と経路の長さに依存する。 しかし、ミッションが計画されている場合、ビルで解決された風の情報はめったに利用できない。 計算流体力学(CFD)は、高忠実な都市流れ場を生成することができるが、それぞれのシミュレーションは固定された流入境界条件に結び付けられ、数時間から数日かかる。 ミッションタイムの3次元都市風速予測とエネルギー効率のUAV計画のためのジオウィンド2プランニングフレームワークであるGeoWind2Planを提案する。 背景風ベクトル、3Dビルディングジオメトリ、スタートゴールペアのみを与えられたGeoWind2Planは、建物形状を基準風枠に変換し、局所的な幾何学条件のニューラル演算子でミッション関連3Dウィンドパッチを予測し、クエリ可能な局所風場に縫合し、物理的に接地されたUAVエネルギーモデルを用いて実現可能な3Dパスとスピードプロファイルを最適化する。 GeoWind2Plan は CFD 完全再構築を追求する代わりに, 予測風を用いて軌道を計画し, 高忠実な CFD 風下での評価を行う。 GeoWind2Planは、停電した都市域、風速、およびミッション・ウィンドアングルの状況の中で、CFDの約8時間と比較して、約3秒で廊下に局在した風速推定を行う。 CFDの評価の下では、GeoWind2Planで計画されている軌道は、風力に依存しない計画に対する尾風、ヘッドウインド、クロスウインドミッションの6.9%、12.7%、および4.5%のエネルギーを削減し、87.9%、85.7%、75.0%のCFD参照貯蓄を回復した。 これらの結果から, 高速で廊下に局在した3次元都市風速予測により, ミッション時に風に敏感なUAVエネルギー計画が実現可能であることが示唆された。

関連論文リスト

• Wind-Informed Rapid Flight-Planning in Complex Urban Topologies via Machine Learning and Experimental Validation [46.65676221937358]
  本研究は,風の強い都市環境における航空車両の安全な飛行計画に向けた新しい枠組みを提案する。 学習ベースサロゲートモデルは、容易に利用可能な情報から流れ場を迅速に予測するために訓練される。 安全でフローインフォームドされた飛行軌道は、コスト最小化パスファインダーによって識別される。
  論文  参考訳（メタデータ） (2026-08-10T23:30:49Z)
• LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
  デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。 textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
  論文  参考訳（メタデータ） (2026-06-04T06:58:44Z)
• Robust Energy-Aware Routing for Air-Ground Cooperative Multi-UAV Delivery in Wind-Uncertain Environments [8.00361595836773]
  本稿では,風に敏感なトラック支援型UAV配送のためのオンラインリスク感受性計画フレームワークであるBattery-Efficient Routing(BER)を提案する。 この問題は、風による空力効果に応じてエッジコストが増大する時間依存エネルギーグラフ上のルーティングとして定式化される。 このアプローチは、タスク割り当て、ルーティング、分散軌道実行を組み合わせた階層的な地上配送アーキテクチャに組み込まれている。
  論文  参考訳（メタデータ） (2026-04-15T03:43:18Z)
• Real Time Local Wind Inference for Robust Autonomous Navigation [0.0]
  この論文は、航空機に搭載されたセンサーと組込み飛行ハードウェアを用いて、空中ロボットが周囲の風の流れをリアルタイムで推論できるソリューションを提示している。 まず,高密度都市環境における正確な風速予測のための地形データの有効性,およびエネルギー効率と障害物回避を重視した運動計画のための学習風モデルの有用性,という2つの基本的課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2026-04-01T00:35:54Z)
• WESPR: Wind-adaptive Energy-Efficient Safe Perception & Planning for Robust Flight with Quadrotors [9.15147164003286]
  WESPRは環境形状が局地風環境にどのように影響するかを予測する高速なフレームワークである。 その結果,最大軌道偏差が12.5-58.7%減少し,風向非依存の適応制御器に比べて24.6%の安定性が向上した。
  論文  参考訳（メタデータ） (2026-03-10T05:09:43Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting [9.47727784069628]
  本研究は,短期(12時間)の風速予測のための時間的コンテンポラル前駆体 (TCNFormer) を提案する。 以上の結果から,TNFormerは予測精度において最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-27T15:35:42Z)
• WindSeer: Real-time volumetric wind prediction over complex terrain aboard a small UAV [29.345342470012724]
  計算流体力学シミュレーションの合成データのみを用いてニューラルネットワークであるWindSeerを訓練する。 WindSeerは、未確認の地形上で異なる解像度とドメインサイズで正確な予測を、再トレーニングすることなく生成することができる。 本研究では,気象観測所が収集した過去の風速と,ドローンによる風速の予測に成功していることを示す。
  論文  参考訳（メタデータ） (2024-01-18T12:46:26Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)

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。