Виявлення намірів безпілотників за допомогою машинного навчання на основі фізики керування - відкритий доступ доповідь Адольфо Перрускія, Вейсі Го, Бенджамін Фрейзер та Чжуанкун Вей.
Безпілотні автономні літальні апарати (БПЛА), широко відомі як дрони, все частіше використовуються в різних секторах. Однак безпілотники, які не бажають співпрацювати, не розкривають своєї ідентичності або планів польотів і становлять значні ризики для критичної інфраструктури. Оцінка намірів безпілотника має вирішальне значення для управління ризиками та вжиття відповідних заходів. контрзаходи. Хоча наміри часто є нематеріальними і неспостережуваними, їх можна визначити за допомогою матеріальних класів намірів.
Традиційні методи, які покладаються виключно на дані спостережень для виведення цих класів намірів, за своєю суттю є ненадійними через упередженість спостережень і навчання. Для вирішення цієї проблеми автори розробили модель машинного навчання на основі фізики управління (CPhy-ML). Ця модель надійно виводить класи намірів, поєднуючи репрезентативність глибокого навчання з законами збереження аерокосмічних моделей, таким чином зменшуючи упередженість і нестабільність.
Модель CPhy-ML досягає 48.28% покращення продуктивності порівняно з традиційними методами прогнозування траєкторій, що знаменує собою значний прогрес у надійному прогнозуванні намірів безпілотників.
Виявлення намірів безпілотників за допомогою машинного навчання на основі фізики керування містить такі основні розділи:
- Вступ
- Результати
- Обговорення
- Методи
- Доступність даних
- Доступність коду
Приклад результатів регресії намірів траєкторії (Пост-зображення: Автори)
