文献

J-GLOBAL ID：202002213666909016   整理番号：20A0526253

機械学習アルゴリズムを用いた正確なモビリティマップの効率的生成【JST・京大機械翻訳】

Efficient generation of accurate mobility maps using machine learning algorithms

著者 (2件)： Mechergui Dave (US Army Combat Capabilities Development Command - Ground Vehicle Systems Center (CCDC-GVSC), Warren, MI, USA) ,  Jayakumar Paramsothy (US Army Combat Capabilities Development Command - Ground Vehicle Systems Center (CCDC-GVSC), Warren, MI, USA)
資料名： Journal of Terramechanics  (Journal of Terramechanics)
巻： 88  ページ： 53-63  発行年： 2020年 
JST資料番号： B0724A  ISSN： 0022-4898  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： U.S Armyのミッションは,すべての有人と無人地上車両のための正しい技術解法を開発して,統合して,維持することであり,移動性は,すべての地上車両のための要所要求事項であった。移動度は,それらを世界的に展開できる地上車両の能力に焦点を合わせ,すべての環境において操作的に移動可能であり,対称的で非対称的な脅威から保護されている。軍事地上車両が任意の戦闘ゾーンで運転するために,プランナはこれらの道路外地形に関する最大予測速度を与える移動度マップを必要とする。過去において,経験的および半経験的技術(AhlvinおよびHaley,1992;Haleyら,1979)を用いて,NATO参照移動モデル(NRMM)のような道路外地形における車両移動度を予測した。その経験的性質のため,NRMM法は先進技術を含む新しい車両設計に外挿することができず,軽量ロボット車両に適用することができない。移動度マップは,地形トポロジーとプロファイル,土壌タイプ(泥,雪,砂など),植生,障害,気象条件,および車両タイプと特性のような異なるパラメータの関数である。離散要素法(DEM)(Daschら,2016)のような物理に基づく方法を,土壌をモデル化する潜在的高忠実度法として,NATO Next生成NRMM Teamによって同定した。この方法は,その非線形挙動と同様に土壌変形の捕捉を可能にする。従って,それは,任意の道路地形上の車両のシミュレーションを可能にし,正確な移動度マップを生成した。DEM法の欠点は必要なシミュレーション時間である。それは,高性能コンピューティングを利用している間,多数の土壌粒子(数百万)のために移動度マップを作り出すために数週間かかる。計算時間を短縮するための一つのアプローチは,移動度マップを予測するために機械学習アルゴリズムを使用することである。機械学習(Boutellら,2004;Burges,1998,Barberら,1997)は,広範囲の地形にわたって非常に正確な移動度予測に導くことができる。機械学習は2つのカテゴリに分割される:教師つき学習と教師なし学習。教師つき学習では,訓練データを事前にラベル付けする必要があるが,教師なし学習ではラベル付けされる訓練データを必要としない。機械学習は,最小数のシミュレーション実行から作成された訓練モデルを用いて移動度マップを生成するのを助けることができる。本研究では,サポートベクトルマシン(SVM),最近傍分類器(k-NN),ディシジョンツリー,およびブースティング法のような異なる教師付き機械学習アルゴリズムを用いて,’go/no-go’マップの2クラス,5-速度マップの5クラス,および7-速度マップの7クラスとしてラベル付けした訓練モデルを作成した。訓練されたモデルは,粘着性土壌上で走行する公称車輪車両の物理ベースのシミュレーション実行から作成された。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習アルゴリズム ,  *アルゴリズム ,  教師つき学習 ,  ロボット ,  *移動度 ,  シミュレーション ,  非対称性 ,  サポートベクトルマシン ,  ディシジョンツリー ,  教師なし学習 ,  *機械学習 ,  外挿法 ,  対称性 ,  道路 ,  位相幾何学

著者キーワード (10件)： オフロード ,  モビリティマップ ,  サポートベクトルマシン ,  クラス ,  予測 ,  機械学習 ,  GO/NO-GO ,  DEM ,  ニューラルネット ,  検証

分類 (2件)： 特殊自動車・特装車・特用車一般  (QG07010Q) ,  土圧,土の動的性質,地盤の応力と変形  (RA03060A)

タイトルに関連する用語 (4件)： 機械学習 ,  アルゴリズム ,  モビリティ ,  マップ