Descobrir as intenções dos drones utilizando a aprendizagem automática informada pela física de controlo é uma publicação de acesso aberto relatório por Adolfo Perrusquía, Weisi Guo, Benjamin Fraser e Zhuangkun Wei.
Os veículos autónomos não tripulados (UAV), vulgarmente conhecidos como drones, são cada vez mais utilizados em vários sectores. No entanto, os drones não cooperantes não revelam a sua identidade ou planos de voo e representam riscos significativos para infra-estruturas críticas. Avaliar a intenção de um drone é crucial para a gestão de riscos e para a execução de acções adequadas. contramedidas. Embora as intenções sejam frequentemente intangíveis e não observáveis, podem ser inferidas através de classes de intenções tangíveis.
Os métodos tradicionais que se baseiam apenas em dados de observação para inferir estas classes de intenção não são inerentemente fiáveis devido a enviesamentos na observação e na aprendizagem. Os autores desenvolveram um modelo de aprendizagem automática informada pela física de controlo (CPhy-ML) para resolver este problema. Este modelo infere de forma robusta as classes de intenção, combinando o poder de representação da aprendizagem profunda com as leis de conservação dos modelos aeroespaciais, reduzindo assim o enviesamento e a instabilidade.
O modelo CPhy-ML atinge uma melhoria de 48,28% no desempenho em relação aos métodos tradicionais de previsão de trajectórias, marcando um avanço significativo na inferência fiável das intenções dos drones.
Descobrir as intenções dos drones utilizando a aprendizagem automática informada pela física de controlo contém as seguintes secções principais:
- Introdução
- Resultados
- Discussão
- Métodos
- Disponibilidade dos dados
- Disponibilidade do código
Imagem posterior - Resultados do exemplo de regressão da intenção de trajetória (Crédito da imagem posterior: Autores)
