제어 물리학 정보 기반 머신 러닝을 사용하여 드론의 의도를 파악하는 것은 오픈 액세스입니다. 보고 작성자: 아돌포 페루스키아, 웨이시 구오, 벤자민 프레이저, 장쿤 웨이.
일반적으로 드론으로 알려진 무인 자율 주행 차량(UAV)은 다양한 분야에서 점점 더 많이 활용되고 있습니다. 그러나 비협조적인 드론은 자신의 신원이나 비행 계획을 공개하지 않아 주요 인프라에 심각한 위험을 초래할 수 있습니다. 드론의 의도를 평가하는 것은 위험 관리와 적절한 대응을 실행하는 데 매우 중요합니다. 대응책. 의도는 무형적이고 관찰할 수 없는 경우가 많지만, 유형의 의도 클래스를 통해 추론할 수 있습니다.
이러한 의도 클래스를 추론하기 위해 관찰 데이터에만 의존하는 기존의 방법은 관찰과 학습의 편향으로 인해 본질적으로 신뢰할 수 없습니다. 저자들은 이를 해결하기 위해 제어 물리학 기반 머신 러닝(CPhy-ML) 모델을 개발했습니다. 이 모델은 딥러닝의 표현력과 항공우주 모델의 보존 법칙을 결합하여 의도 클래스를 강력하게 추론함으로써 편향과 불안정성을 줄입니다.
CPhy-ML 모델은 기존 궤적 예측 방법보다 성능이 48.28% 향상되어 드론의 의도를 안정적으로 추론하는 데 상당한 진전을 이루었습니다.
제어 물리학 정보 기반 머신러닝을 사용하여 드론의 의도를 파악하는 방법은 다음과 같은 주요 섹션으로 구성되어 있습니다:
- 소개
- 결과
- 토론
- 방법
- 데이터 가용성
- 코드 가용성
포스트 이미지-궤적 의도 회귀 예제 결과(포스트 이미지 출처: 작성자)
