Odkrywanie intencji dronów za pomocą fizyki sterowania opartej na uczeniu maszynowym jest otwartym dostępem raport Adolfo Perrusquía, Weisi Guo, Benjamin Fraser i Zhuangkun Wei.
Bezzałogowe pojazdy autonomiczne (UAV), powszechnie znane jako drony, są coraz częściej wykorzystywane w różnych sektorach. Jednak niechętne do współpracy drony nie ujawniają swojej tożsamości ani planów lotu i stanowią poważne zagrożenie dla infrastruktury krytycznej. Ocena intencji drona ma kluczowe znaczenie dla zarządzania ryzykiem i wykonywania odpowiednich działań. środki zaradcze. Chociaż intencje są często niematerialne i nieobserwowalne, można je wywnioskować na podstawie konkretnych klas intencji.
Tradycyjne metody, które opierają się wyłącznie na danych obserwacyjnych w celu wnioskowania o tych klasach intencji, są z natury niewiarygodne ze względu na błędy w obserwacji i uczeniu się. Autorzy opracowali model uczenia maszynowego oparty na fizyce sterowania (CPhy-ML), aby temu zaradzić. Model ten solidnie wnioskuje o klasach intencji, łącząc moc reprezentacyjną głębokiego uczenia się z prawami zachowania modeli lotniczych, zmniejszając w ten sposób stronniczość i niestabilność.
Model CPhy-ML osiąga poprawę wydajności o 48,28% w porównaniu z tradycyjnymi metodami przewidywania trajektorii, co stanowi znaczący postęp w niezawodnym wnioskowaniu o zamiarach dronów.
Odkrywanie intencji dronów za pomocą fizyki sterowania opartej na uczeniu maszynowym zawiera następujące główne sekcje:
- Wprowadzenie
- Wyniki
- Dyskusja
- Metody
- Dostępność danych
- Dostępność kodu
Przykładowe wyniki regresji intencji trajektorii (Źródło obrazu: autorzy)
