Virtual Target Trajectory Prediction for Stochastic Targets

要約

他の車両の軌道予測は、自律型車両にとって重要であり、ミサイルガイダンスからUAV衝突回避への用途があります。
通常、ターゲットの軌道は決定論的であると想定されていますが、現実世界の航空車両は、回避的な操作やサーマルの旋回などの確率的挙動を示します。
このホワイトペーパーでは、監視されていない機械学習手法である条件付き正規化フローを使用して、軌道データを使用して誘導ミサイルのターゲットの確率的挙動を学習および予測します。
訓練されたモデルは、ダイナミクスの初期条件とパラメーターに基づいて、将来のターゲット位置の分布を予測します。
この分布からのサンプルは、時系列k-meansアルゴリズムを使用してクラスター化され、仮想ターゲットと呼ばれる代表的な軌跡を生成します。
この方法は高速でターゲットに依存しており、ターゲット軌道の形式でデータのみをトレーニングする必要があります。
したがって、ガイダンス法と経路計画における決定論的軌跡予測のドロップイン置換として機能します。
シミュレートされたシナリオは、ランダムな操作を備えた空中車両に対するアプローチの有効性を示し、決定論的予測と確率的現実の間のギャップを埋め、自律車のガイダンスと制御アルゴリズムを進めます。

要約(オリジナル)

Trajectory prediction of other vehicles is crucial for autonomous vehicles, with applications from missile guidance to UAV collision avoidance. Typically, target trajectories are assumed deterministic, but real-world aerial vehicles exhibit stochastic behavior, such as evasive maneuvers or gliders circling in thermals. This paper uses Conditional Normalizing Flows, an unsupervised Machine Learning technique, to learn and predict the stochastic behavior of targets of guided missiles using trajectory data. The trained model predicts the distribution of future target positions based on initial conditions and parameters of the dynamics. Samples from this distribution are clustered using a time series k-means algorithm to generate representative trajectories, termed virtual targets. The method is fast and target-agnostic, requiring only training data in the form of target trajectories. Thus, it serves as a drop-in replacement for deterministic trajectory predictions in guidance laws and path planning. Simulated scenarios demonstrate the approach’s effectiveness for aerial vehicles with random maneuvers, bridging the gap between deterministic predictions and stochastic reality, advancing guidance and control algorithms for autonomous vehicles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google