Fugu-MT 論文翻訳(概要): Symmetry-Aware Surrogate-Assisted Testing of UAVs

論文の概要: Symmetry-Aware Surrogate-Assisted Testing of UAVs

arxiv url: http://arxiv.org/abs/2611.08012v1
Date: Thu, 05 Nov 2026 13:35:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-07 04:55:13.520964
Title: Symmetry-Aware Surrogate-Assisted Testing of UAVs
Title（参考訳）: 対称性を考慮したUAVのサロゲート支援試験
Abstract要約: 提案手法は、障害物配置を共有正準コーディネートフレームにトランスフォーミングすることで、飛行ミッション間の幾何学的対称性を利用する。これにより、単一の参照ミッションでトレーニングされたニューラルネットワークサロゲートを任意のミッションで再利用することができる。本研究では,Aerialist UAVテストベンチを用いて本手法の評価を行い,2024年から2026年のUAVテストコンペティションの手法と比較した。
参考スコア（独自算出の注目度）: 0.3441021278275805
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We investigate a symmetry-aware surrogate-assisted testing approach for UAV autopilots. The proposed approach exploits geometric symmetries between flight missions by trans- forming obstacle configurations into a shared canonical coordi- nate frame. This enables a neural-network surrogate trained on a single reference mission to be reused across arbitrary missions, reducing the amount of high-fidelity simulation data required for training. The surrogate model is trained to predict the minimum clearance distance between a UAV and surrounding obstacles and is used to guide test generation towards safety-critical scenarios. We evaluate this approach using the Aerialist UAV test bench and benchmark its performance against techniques from the 2024 to 2026 UAV Testing Competitions. Results show that the approach achieves an average critical-test-case hit rate of 42% across the evaluated missions, compared with approximately 10% for the constrained-random baseline used to generate the training data. This approach also achieves high input diversity and competitive benchmark performance. However, our findings reveal limitations in transferring surrogate predictions across missions with differing flight-path characteristics, highlighting the boundaries of geometric canonicalization. To support reproducibility and future research, we provide the trained surrogate model and a dataset comprising more than 2,500 high-fidelity simulations.
Abstract（参考訳）: UAVオートパイロットの対称性を考慮したサロゲート支援試験手法について検討する。提案手法は、障害物配置を共有正準コーディネートフレームにトランスフォーミングすることで、飛行ミッション間の幾何学的対称性を利用する。これにより、単一の参照ミッションでトレーニングされたニューラルネットワークサロゲートを任意のミッションで再利用することが可能になり、トレーニングに必要な高忠実度シミュレーションデータの量を削減できる。代理モデルは、UAVと周囲の障害物の間の最小クリアランス距離を予測するために訓練され、テスト生成を安全クリティカルなシナリオへと導くために使用される。本研究では,Aerialist UAVテストベンチを用いて本手法の評価を行い,2024年から2026年のUAVテストコンペティションの手法と比較した。その結果, トレーニングデータの生成に使用する制約ランダムベースラインの約10%に対して, 評価ミッションの平均臨界ケースヒット率は42%であることがわかった。このアプローチは、高い入力多様性と競合ベンチマークのパフォーマンスも達成する。しかし,本研究では,飛行経路特性が異なるミッション間で代理予測を伝達する際の限界を明らかにし,幾何学的正準化の境界を明らかにした。再現性と今後の研究を支援するために、2500以上の高忠実度シミュレーションからなる訓練された代理モデルとデータセットを提供する。

関連論文リスト

AeroGround: A Comprehensive Benchmark for Aerial-Ground Collaborative Reasoning [28.18995637655191]
地上共同推論における視覚言語モデル(VLM)の評価のためのベンチマークであるAeroGroundを紹介する。 AeroGroundは、様々なオープン環境から約29,000のマルチモーダル観測グループを含む、模擬空中地上データセット上に構築されている。実験では、現在のモデルと人間のパフォーマンスの間に大きなギャップがあり、最良のモデルの平均精度は54.4%、人間は93.3%に達する。
論文参考訳（メタデータ） (2026-08-12T07:31:15Z)
Bridging the Sampling Distribution Shift in Radio Map Estimation: A Trajectory-Aware Paradigm [19.549188944529753]
学習に基づく無線地図推定(RME)は、UAV支援無線センシングにおいて重要な役割を担い、カバレッジ予測やネットワーク最適化といったタスクを可能にする。現在のほとんどの手法では、ランダムサンプリングに基づいて独立に同一に分散されたトレーニングとテストの設定を前提としている。このミスマッチはサンプリング分布シフトを導入し、空間場回復の本質的な困難を増大させる。そこで本研究では,Triggered Trajectory-Based (ST-TBS) に基づくトラジェクティブ・アウェア・トレーニング・パラダイムを提案する。
論文参考訳（メタデータ） (2026-05-27T09:47:23Z)
Dynamic Model Selection for Trajectory Prediction via Pairwise Ranking and Meta-Features [0.0]
最近の深い軌道予測器は、高い平均精度を達成したが、複雑な長距離運転シナリオでは信頼性が保たれている。物理インフォームドLSTM, トランスフォーマー, 微調整されたGameFormerのうち, もっとも信頼性の高い軌道予測器を適応的に選択する動的マルチエキスパートゲーティングフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-31T10:01:01Z)
A Comparative Analysis of Ensemble-Based Machine Learning Approaches with Explainable AI for Multi-Class Intrusion Detection in Drone Networks [0.2708211191235587]
本研究の目的は、ドローンネットワークに適した堅牢で解釈可能な侵入検知フレームワークを開発することである。我々は、ラベル付きデータセットでトレーニングされたランダムフォレスト、エクストラツリー、AdaBoost、CatBoost、XGBoostといったアンサンブルベースの機械学習モデルの比較分析を行う。提案するアプローチは、ほぼ完全な精度を提供するだけでなく、解釈可能性も保証し、リアルタイムかつ安全クリティカルなドローン操作に非常に適している。
論文参考訳（メタデータ） (2025-09-23T00:59:21Z)
SmurfCat at SemEval-2024 Task 6: Leveraging Synthetic Data for Hallucination Detection [51.99159169107426]
本稿では,SemEval-2024幻覚検出タスクのための新しいシステムを提案する。我々の調査は、モデル予測と基準基準を比較するための様々な戦略にまたがっている。強力なパフォーマンス指標を示す3つの異なる方法を紹介します。
論文参考訳（メタデータ） (2024-04-09T09:03:44Z)
Certified Human Trajectory Prediction [66.1736456453465]
本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
論文参考訳（メタデータ） (2024-03-20T17:41:35Z)
Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2024-03-14T14:23:23Z)
Diversity-guided Search Exploration for Self-driving Cars Test Generation through Frenet Space Encoding [4.135985106933988]
自動運転車(SDC)の台頭は、動的環境に対処する上で重要な安全上の課題を提示している。フィールドテストは不可欠であるが、現在の手法では重要なSDCシナリオを評価するための多様性が欠如している。本研究では, ディープラーニングバニラ変圧器モデルを用いて, アウトオブバウンド状態に導く可能性を示す。
論文参考訳（メタデータ） (2024-01-26T06:57:00Z)
Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文参考訳（メタデータ） (2023-06-05T16:01:33Z)
GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
論文参考訳（メタデータ） (2023-02-06T16:23:24Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。