論文の概要: AeroIntent: A Synchronized Multimodal Benchmark for UAV Mission Intent Recognition

• arxiv url: http://arxiv.org/abs/2610.25869v1
• Date: Mon, 19 Oct 2026 06:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 04:02:40.632557
• Title: AeroIntent: A Synchronized Multimodal Benchmark for UAV Mission Intent Recognition
• Title（参考訳）: AeroIntent:UAVミッションインテント認識のための同期マルチモーダルベンチマーク
• Abstract要約: 既存のUAVデータセットは、主に検出、追跡、ローカライゼーションをサポートしている。 我々は990個の同期マルチモーダルシーケンスからなるシミュレーションベースのベンチマークであるAeroIntentを紹介する。 本研究では, レーダー軌道, 行動特徴, 選択された視覚的証拠, タスク知識を統合した構造化マルチモーダル共振器AeroMIRを提案する。
• 参考スコア（独自算出の注目度）: 14.185742499496108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable recognition of mission-level UAV intent from multimodal observations is essential for low-altitude airspace surveillance and security. Existing multimodal UAV datasets primarily support detection, tracking, and localization, leaving limited support for evaluating mission-intent recognition across held-out trajectory programs and incomplete radar histories. We introduce AeroIntent, a simulation-based benchmark comprising 990 synchronized multimodal sequences generated by 22 trajectory programs across five mission intents. The benchmark provides radar, RGB, infrared, and depth observations, together with program-disjoint, radar-gap, and observation-prefix evaluation protocols. Building on this benchmark, we propose AeroMIR, a structured Multimodal Intent Reasoner that integrates radar trajectories, derived behavioral features, selected visual evidence, and task knowledge for candidate-based UAV intent recognition. Under a strict program-disjoint protocol evaluating unseen tactical realizations, AeroMIR achieves a mean accuracy of 71.56% and a mean Macro-F1 of 69.84% across three seeds, outperforming the strongest trajectory-only baseline by 7.79 Macro-F1 points and a conventional radar-RGB late-fusion baseline by 19.32 points. AeroMIR also demonstrates strong performance under controlled radar gaps and early intent recognition settings. AeroIntent and AeroMIR provide a reproducible foundation for multimodal UAV intent recognition. The benchmark is available at: https://anonymous.4open.science/r/AeroIntent
• Abstract（参考訳）: マルチモーダル観測からミッションレベルのUAVインテントを信頼性の高い認識は、低高度空域の監視とセキュリティに不可欠である。 既存のマルチモーダルUAVデータセットは、主に検出、追跡、ローカライゼーションをサポートし、保持された軌道計画と不完全なレーダー履歴を横断するミッションインテリジェント認識の限定的なサポートを残している。 シミュレーションに基づくベンチマークであるAeroIntentを導入する。このベンチマークは、5つのミッションインテントにわたる22のトラジェクトリプログラムによって生成された990の同期マルチモーダルシーケンスで構成される。 このベンチマークでは、レーダー、RGB、赤外線、深度観測と、プログラムの切り離し、レーダーギャップ、観測前評価プロトコルが提供されている。 本稿では, レーダ軌道, 誘導行動特徴, 選択された視覚的証拠, および候補に基づくUAV意図認識のためのタスク知識を統合した構造化多モード入射共振器であるAeroMIRを提案する。 未確認の戦術的実現を評価する厳密なプログラム分離プロトコルの下で、AeroMIRは平均精度71.56%、平均マイロF1は69.84%の3つの種で達成し、最も高い軌道のみのベースラインを7.79マクロF1ポイント、従来のレーダーRGBレイトフュージョンベースラインを19.32ポイント上回った。 AeroMIRはまた、制御されたレーダーギャップと初期意図認識設定下での強いパフォーマンスを示す。 AeroIntentとAeroMIRは、マルチモーダルUAVインテント認識のための再現可能な基盤を提供する。 ベンチマークは、https://anonymous.4open.science/r/AeroIntentで公開されている。

関連論文リスト

• Segment Any Motion with Radar: Robust Multimodal Moving-Object Segmentation and Tracking [18.63898447592778]
  RGBTR-Motionは、RGB、サーマル、レーダストリームを高密度のインスタンスマスクと時間的に一貫したIDと組み合わせたベンチマークである。 また、SAM 3上に構築されたRGB、サーマル、レーダーに基づくセグメンテーションおよびトラッキングフレームワークであるSAM-Radarも開発している。
  論文  参考訳（メタデータ） (2026-09-08T07:17:33Z)
• Towards UAV Detection in the Real World: A New Multispectral Dataset UAVNet-MS and a New Method [80.50361258830928]
  UAVNet-MSは、微小UAV検出のための最初のマルチスペクトルデータセットである。 本稿では、アレイ誘起パララックスと空間-スペクトル融合に対処するデュアルストリームベースラインであるMFDNetを提案する。 この研究は、基礎的なデータセット、強力なベースライン、マルチスペクトルUAV監視研究のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T09:49:04Z)
• A Tri-Modal Dataset and a Baseline System for Tracking Unmanned Aerial Vehicles [74.8162337823142]
  MM-UAVはMulti-Modal UAV Trackingの最初の大規模ベンチマークである。 データセットは30以上の挑戦的なシナリオにまたがっており、1,321の同期マルチモーダルシーケンスと280万以上の注釈付きフレームがある。 データセットを伴って、我々は新しいマルチモーダルマルチUAV追跡フレームワークを提供する。
  論文  参考訳（メタデータ） (2025-11-23T08:42:17Z)
• Target-aware Bidirectional Fusion Transformer for Aerial Object Tracking [4.199091332200661]
  UAV追跡のための新しい目標対応双方向核融合変換器(BFTrans)を提案する。 我々の手法は他の最先端トラッカーを超え、組込みプラットフォーム上で平均30.5 FPSで実行することができる。
  論文  参考訳（メタデータ） (2025-03-13T01:53:29Z)
• Multistatic-Radar RCS-Signature Recognition of Aerial Vehicles: A Bayesian Fusion Approach [10.908489565519211]
  無人航空機(UAV)用のレーダー自動目標認識(RATR)は、電磁波(EMW)を送信し、受信したレーダーエコーに対して目標型認識を行う。 これまでの研究では、RATRにおけるモノスタティックレーダよりも、マルチスタティックレーダの構成の利点を強調していた。 本稿では,複数のレーダからの分類確率ベクトルを集約するために,OBF(Optimal Bayesian Fusion)を用いた完全ベイズRATRフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-28T02:11:47Z)
• Multi-stage Learning for Radar Pulse Activity Segmentation [51.781832424705094]
  無線信号認識は電子戦において重要な機能である。 電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。 ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
  論文  参考訳（メタデータ） (2023-12-15T01:56:27Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
  本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。 本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。 合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
  論文  参考訳（メタデータ） (2023-06-19T12:01:28Z)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)

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。