GeoWind2Plan: ミッション時間内の3次元都市風予測によるエネルギー効率の良いUAV計画

都市低高度飛行では建物が風を3D流れに変え、UAVのエネルギーは経路長だけでなく局所風に依存する。しかしミッション計画時に建物解像の風情報は稀である。CFDは高忠実度だが流入境界条件ごとに数時間〜数日かかり、数分〜数十分のUAVミッションと両立しない。本論文はGeoWind2Planを提案する。背景風ベクトル、3D建物形状、start-goalペアのみから、建物形状をreference-wind frameに変換し、局所geometry-conditioned neural operatorでミッション関連3D風パッチを予測し、問い合わせ可能な局所風場に縫合し、物理的UAV energy modelで実行可能な3D経路と速度プロファイルを最適化するgeometry-to-wind-to-planningフレームワーク。

CFDは高忠実度だが各シミュレーションが固定流入境界条件に縛られ数時間〜数日かかる。GeoWind2PlanはCFD完全再構成ではなくdecision-useful wind predictionを狙い、約3秒でcorridor-localized風推論を行う。CFD約8時間と比較して大幅に高速。風を考慮しないplanningと比べ、CFD評価下でtailwind 6.9%、headwind 12.7%、crosswind 4.5%のエネルギー削減、CFD-reference savingsの87.9%、85.7%、75.0%を回復。

背景風ベクトル、3D建物形状、start-goalペアを入力。建物形状をreference-wind frameに変換。局所geometry-conditioned neural operatorでミッション関連3D風パッチを予測。それらを問い合わせ可能な局所風場に縫合。物理的UAV energy modelを用いて実行可能な3D経路と速度プロファイルを最適化。corridor-localized wind inferenceを約3秒で実行。

held-out urban domains、wind speeds、mission wind-angle regimesにわたり評価。GeoWind2Planは約3秒でcorridor-localized風推論、CFDは約8時間。CFD評価下で、GeoWind2Planで計画した軌道はwind-agnostic planningと比べtailwind 6.9%、headwind 12.7%、crosswind 4.5%のエネルギー削減。CFD-reference savingsの87.9%、85.7%、75.0%を回復。

CFD完全再構成ではなくdecision-useful wind predictionを目標とする点を明示。予測風で軌道を計画し、高忠実度CFD風で評価。結果は、高速でcorridor-localizedな3D都市風予測がミッション時の風考慮UAVエネルギー計画を実用的にすることを示す。限界や失敗事例、計算コストの詳細は要旨からは不明。

要旨で参照/比較されている研究はCFDとwind-agnostic planning。関連手法としてgeometry-conditioned neural operator、UAV energy model、urban flow field prediction、wind-aware UAV planningが挙げられる。具体的な論文名は要旨からは不明。