Die Aufdeckung von Drohnenabsichten durch kontrollphysikalisch fundiertes maschinelles Lernen ist ein Open-Access Bericht von Adolfo Perrusquía, Weisi Guo, Benjamin Fraser und Zhuangkun Wei.
Unbemannte autonome Fahrzeuge (Unmanned Autonomous Vehicles, UAVs), gemeinhin als Drohnen bekannt, werden in verschiedenen Sektoren zunehmend eingesetzt. Unkooperative Drohnen geben jedoch weder ihre Identität noch ihre Flugpläne preis und stellen ein erhebliches Risiko für kritische Infrastrukturen dar. Die Beurteilung der Absicht einer Drohne ist für das Risikomanagement und die Durchführung geeigneter Gegenmaßnahmen. Während Absichten oft nicht greifbar und nicht beobachtbar sind, können sie durch greifbare Absichtsklassen abgeleitet werden.
Traditionelle Methoden, die sich ausschließlich auf Beobachtungsdaten stützen, um diese Absichtsklassen abzuleiten, sind aufgrund von Verzerrungen bei der Beobachtung und beim Lernen von Natur aus unzuverlässig. Die Autoren haben ein Modell für kontrollphysikalisch informiertes maschinelles Lernen (CPhy-ML) entwickelt, um dieses Problem zu lösen. Dieses Modell leitet robuste Absichtsklassen ab, indem es die Darstellungsleistung von Deep Learning mit den Erhaltungsgesetzen von Luft- und Raumfahrtmodellen kombiniert und so Verzerrungen und Instabilität reduziert.
Das CPhy-ML-Modell erreicht eine Leistungsverbesserung von 48,28% gegenüber herkömmlichen Methoden zur Flugbahnvorhersage, was einen bedeutenden Fortschritt bei der zuverlässigen Ermittlung von Drohnenabsichten darstellt.
Die Aufdeckung von Drohnenabsichten durch kontrollphysikalisch fundiertes maschinelles Lernen umfasst die folgenden Hauptabschnitte:
- Einführung
- Ergebnisse
- Diskussion
- Methoden
- Verfügbarkeit von Daten
- Verfügbarkeit des Codes
Post Image- Trajektorie-Intention-Regressions-Beispielergebnisse (Post Image Credit: Authors)
