Desvelar las intenciones de los drones mediante el aprendizaje automático basado en la física de control es una publicación de acceso abierto informe por Adolfo Perrusquía, Weisi Guo, Benjamin Fraser y Zhuangkun Wei.
Los vehículos autónomos no tripulados (UAV), comúnmente conocidos como drones, se utilizan cada vez más en diversos sectores. Sin embargo, los drones que no cooperan no revelan su identidad ni sus planes de vuelo y plantean riesgos significativos para las infraestructuras críticas. Evaluar la intención de un dron es crucial para la gestión de riesgos y la ejecución de las medidas adecuadas. contramedidas. Aunque las intenciones suelen ser intangibles e inobservables, pueden inferirse mediante clases de intenciones tangibles.
Los métodos tradicionales que se basan únicamente en datos observacionales para inferir estas clases de intención son intrínsecamente poco fiables debido a los sesgos en la observación y el aprendizaje. Los autores han desarrollado un modelo de aprendizaje automático basado en la física de control (CPhy-ML) para solucionar este problema. Este modelo infiere con solidez las clases de intención combinando el poder de representación del aprendizaje profundo con las leyes de conservación de los modelos aeroespaciales, reduciendo así el sesgo y la inestabilidad.
El modelo CPhy-ML mejora en 48,28% el rendimiento de los métodos tradicionales de predicción de trayectorias, lo que supone un avance significativo en la inferencia fiable de las intenciones de los drones.
Descubrir las intenciones de los drones mediante el aprendizaje automático basado en la física de control contiene las siguientes secciones principales:
- Introducción
- Resultados
- Debate
- Métodos
- Disponibilidad de datos
- Disponibilidad del código
Post Image- Trajectory Intention Regression example results (Post Image Credit: Authors)
