VECTOR：基于增强速度的 GRU 神经网络用于实时 3D UAV 轨迹预测
机器人学
2024-11-01 v1 机器学习
摘要
本文解决了实时 3D 无人机轨迹预测的挑战，这对于空中监视和防御等应用至关重要。现有的预测模型主要依赖位置数据，在训练位置域之外的 UAV 运动时难以实现准确性。我们的研究识别到了在利用速度估计、一阶动力学方面存在的差距，以更好地捕捉动力学并在任何位置域内提高预测准确性和可扩展性。为弥合这一差距，我们提出了一种基于 Gated Recurrent Units (GRU) 的新型轨迹预测方法，纳入序列神经网络。不同于依赖 RNN 或 transformer 的传统方法，该方法基于历史速度数据而非位置数据预测未来速度和位置。旨在提高预测准确性和可扩展性，克服常规模型在处理复杂 UAV 动力学方面的挑战。该方法采用合成数据和真实世界 3D UAV 轨迹数据，涵盖各种飞行模式、速度和灵活性。合成数据使用 Gazebo 模拟器和 PX4 Autopilot 生成，真实数据来自 UZH-FPV 和 Mid-Air 无人机赛跑数据集。GRU 基于模型在准确率上显著优于最先进的 RNN 方法，均方误差（MSE）可低至 2×10⁻⁸。总体而言，我们的发现确认了在合成和真实世界场景中，包括位置数据分布内外， incorporating velocity 数据在提高 UAV 轨迹预测准确性方面的有效性。最后，我们开源了 5000 条轨迹数据集和一个 ROS 2 软件包，以促进与现有 ROS 基础无人机系统的集成。
引用
@article{arxiv.2410.23305,
title = {VECTOR: Velocity-Enhanced GRU Neural Network for Real-Time 3D UAV Trajectory Prediction},
author = {Omer Nacar and Mohamed Abdelkader and Lahouari Ghouti and Kahled Gabr and Abdulrahman S. Al-Batati and Anis Koubaa},
journal= {arXiv preprint arXiv:2410.23305},
year = {2024}
}