用于无人机系统瞬时密度预测的任务感知时空深度学习模型
计算机视觉与模式识别
2020-03-24 v1 机器学习
信号处理
摘要
未来几年内，非受控低空空域中每日小型无人机系统（sUAS）运行数量预计将达到数百万。因此，UAS密度预测已成为一个新兴且具挑战性的问题。本文提出了一种基于深度学习的UAS瞬时密度预测模型。该模型以两类数据作为输入：1）由历史数据生成的历史密度，以及2）未来的sUAS任务信息。我们的模型架构包含四个组件：历史密度构建模块、UAS任务转译模块、任务特征提取模块和密度图投影模块。训练与测试数据由受多智能体空中交通资源使用仿真器（MATRUS）框架启发的基于python的仿真器生成。预测质量通过预测值与仿真值之间的相关系数以及受试者工作特征曲线下面积（AUROC）来衡量。实验结果表明该基于深度学习的UAS密度预测器性能优异。与基线模型相比，在忽略禁飞区与sUAS间安全间距的简化交通场景下，我们的模型将预测精度提升了15.2%以上，其相关系数达到0.947。在更真实的场景中，使用A*路由算法保持禁飞区规避与sUAS间安全间距，我们的模型仍可达到0.823的相关系数。同时，热点预测的AUROC可达0.951。
引用
@article{arxiv.2003.09785,
title = {Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous Density Prediction},
author = {Ziyi Zhao and Zhao Jin and Wentian Bai and Wentan Bai and Carlos Caicedo and M. Cenk Gursoy and Qinru Qiu},
journal= {arXiv preprint arXiv:2003.09785},
year = {2020}
}