Découvrir les intentions des drones à l'aide de l'apprentissage automatique basé sur la physique du contrôle est une publication en libre accès. rapport par Adolfo Perrusquía, Weisi Guo, Benjamin Fraser et Zhuangkun Wei.
Les véhicules autonomes sans pilote (UAV), communément appelés drones, sont de plus en plus utilisés dans divers secteurs. Cependant, les drones non coopératifs ne révèlent pas leur identité ou leurs plans de vol et posent des risques importants pour les infrastructures critiques. L'évaluation de l'intention d'un drone est cruciale pour la gestion des risques et l'exécution de mesures appropriées. contre-mesures. Bien que les intentions soient souvent intangibles et inobservables, elles peuvent être déduites à l'aide de classes d'intentions tangibles.
Les méthodes traditionnelles qui s'appuient uniquement sur des données d'observation pour déduire ces classes d'intention sont intrinsèquement peu fiables en raison des biais d'observation et d'apprentissage. Les auteurs ont mis au point un modèle d'apprentissage automatique informé par la physique du contrôle (CPhy-ML) pour remédier à ce problème. Ce modèle infère de manière robuste les classes d'intention en combinant la puissance de représentation de l'apprentissage profond avec les lois de conservation des modèles aérospatiaux, réduisant ainsi les biais et l'instabilité.
Le modèle CPhy-ML permet d'améliorer les performances de 48,28% par rapport aux méthodes traditionnelles de prédiction des trajectoires, ce qui représente une avancée significative dans l'inférence fiable des intentions des drones.
Découvrir les intentions des drones à l'aide de l'apprentissage automatique basé sur la physique du contrôle contient les sections principales suivantes :
- Introduction
- Résultats
- Discussion
- Méthodes
- Disponibilité des données
- Disponibilité du code
Image postérieure - Résultats de l'exemple de régression des intentions sur la trajectoire (Crédit image postérieure : auteurs)
