JP7166498B1 - 風況学習装置、風況予測装置、及びドローンシステム - Google Patents
風況学習装置、風況予測装置、及びドローンシステム Download PDFInfo
- Publication number
- JP7166498B1 JP7166498B1 JP2022536485A JP2022536485A JP7166498B1 JP 7166498 B1 JP7166498 B1 JP 7166498B1 JP 2022536485 A JP2022536485 A JP 2022536485A JP 2022536485 A JP2022536485 A JP 2022536485A JP 7166498 B1 JP7166498 B1 JP 7166498B1
- Authority
- JP
- Japan
- Prior art keywords
- wind
- wind condition
- learning
- drone
- environmental space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 241000756122 Aristida purpurascens Species 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 34
- 238000004088 simulation Methods 0.000 description 29
- 238000000034 method Methods 0.000 description 28
- 238000012545 processing Methods 0.000 description 28
- 238000013473 artificial intelligence Methods 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007664 blowing Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/20—Control system inputs
- G05D1/22—Command input arrangements
- G05D1/221—Remote-control arrangements
- G05D1/222—Remote-control arrangements operated by humans
- G05D1/224—Output arrangements on the remote controller, e.g. displays, haptics or speakers
- G05D1/2244—Optic
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/60—Intended control result
- G05D1/606—Compensating for or utilising external environmental conditions, e.g. wind or water currents
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G9/00—Traffic control systems for craft where the kind of craft is irrelevant or unspecified
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D2101/00—Details of software or hardware architectures used for the control of position
- G05D2101/10—Details of software or hardware architectures used for the control of position using artificial intelligence [AI] techniques
- G05D2101/15—Details of software or hardware architectures used for the control of position using artificial intelligence [AI] techniques using machine learning, e.g. neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D2109/00—Types of controlled vehicles
- G05D2109/20—Aircraft, e.g. drones
- G05D2109/25—Rotorcrafts
- G05D2109/254—Flying platforms, e.g. multicopters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
Description
本開示技術は、風況の予測を可能とする機械学習の態様を明らかにすることを目的とする。
インフラ点検用途にも応用されているドローンの技術分野において、リアルタイム風況予測が行えれば、風圧等によるドローンの不用意な移動を予防でき、安全飛行に寄与できる。一般に、インフラ点検を行うドローンの飛行領域について、精確なリアルタイム風況予測を行おうことは、多くの観測データと、スーパーコンピュータ等の大きな計算資源を要する。
本開示技術に係る風況予測装置30は、事前に多数のシナリオを想定した風況シミュレーションを行い、風況計測器20を想定した模擬観測データとドローンの飛行領域における風況との関係をAIに学習させる。実際にドローンを飛行させる時には、リアルタイムに得られる風況計測器20の実観測データに基づいて、AIが、飛行地点のドローンに不用意な移動を誘発するおそれのある風を予測し、警告する。具体的に風況計測器20は、レーザ光を発するライダー(LiDAR:Light Detection And Ranging)、マイクロ波を発するレーダ、又は音波を発するソナーでよい。
風は基本的には水平方向の成分を持つものであり、通常、鉛直方向の成分は小さいが、乱流、及び積乱雲に伴う風など、大きな鉛直方向の成分を持つものもある。
ドローンを飛ばせる風速の目安は、一般的には5[m/s]までと言われている。また、4[m/s]から5[m/s]程度の風であっても、継続的に、例えば数時間単位で吹いている状況においては、通常、ドローンの飛行は行わない。したがって、本開示技術に係る風況予測装置30が予測する風況の対象は、風速がおおよそ4[m/s]から20[m/s]程度のものであり、寿命としては秒から分単位のものである。この範囲の時空間スケールの風は、「小さな乱渦」とも称される。
図1は、実施の形態1に係るドローンシステム100の構成を示す模式図である。図1に示されるとおりドローンシステム100は、ドローン10と、コントローラ12と、風況計測器20と、風況予測装置30と、を含む。図1は、ドローンシステム100の風況予測装置30が、ドローン10の飛行領域を含む環境空間、例えばインフラ点検であればインフラ設備が設置されている環境空間について、風況を予測する様子を示している。
コントローラ12は、ドローン10を操縦するためのものである。風況予測装置30は、有線又は無線により風況計測器20と通信可能であり、風況計測器20の観測値を取得することができる。風況予測装置30は、有線又は無線によりコントローラ12とも通信可能であり、コントローラ12へ風況の予測結果を送信することができる。
図1に示されるドローン10は1台だが、本開示技術はこれに限定されない。ドローンシステム100は、2台以上のドローン10が含まれていてもよい。また図1に示される風況計測器20は1機だが、本開示技術はこれに限定されない。ドローンシステム100は、2機以上の風況計測器20が含まれていてもよい。
演算部34が有するAIは、階層型ニューラルネットワーク、相互結合型ニューラルネットワーク、ディープニューラルネットワーク、畳込みニューラルネットワーク、再帰型ニューラルネットワーク、等のニューラルネットワークであってよい。また演算部34が有するAIは、ニューラルネットワーク以外の学習可能な数理モデル(「学習モデル」とも称す)であってもよい。
図4に示されるとおり風況予測装置30における入力部32、演算部34、出力部36の各機能は、処理回路により実現される。すなわち風況予測装置30は、入力処理ST32、演算処理ST34、出力処理ST36、を実施することによって風況を予測するための処理回路を備える。処理回路は、専用のハードウエアであっても、メモリに格納されるプログラムを実行するCPU(Central Processing Unit、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、DSPともいう)であっても、いずれでもよい。
このように、処理回路は、ハードウエア、ソフトウエア、ファームウエア、又はこれらの組合せによって、風況予測装置30の各機能を実現する。
本開示技術に係る風況予測装置30は、ドローンシステム100に応用することが考えられる。風況予測装置30をドローンシステム100に応用することにより、風圧によるドローン10の不用意な移動を予防することが期待できる。
ドローンシステム100に応用する風況予測装置30は、ドローン10に吹く風の風速、風向き、及び伝わる時刻について、厳密な値を予測する必要はない。むしろフェイルセーフに考えて、風況予測装置30は、ドローン10の不用意な移動を生じさせ得る風が数秒後に起きる、という警告ができればよい。したがって学習フェーズにおける風況予測装置30すなわち風況学習装置の一例は、このフェイルセーフな警告を行うように学習がなされる。
演算部34のAIへ入力される学習データセットの一方は、説明変数であり、例えば、風上である流入側における冪乗則(べきじょうそく、Power Law)に則した風況高度分布モデル値である。ここで風況高度分布モデル値とは、シミュレーションで用いる値であり、風の流入側における風向き及び風速を、高度方向と計算領域幅方向とからなる2次元平面について設定するものである。
風向値は、例えば0.1[deg]の刻み幅で全数が計算により求められてもよい。また風速値は、例えば0.1[m/sec]の刻み幅で全数が計算により求められてもよい。また学習データセットの一方は、風況計測器20の過去の観測データでも良い。そしてAIへの学習データセットの他方は、目的変数の正解ラベルであり、シミュレーションにより得られるインフラ設備が設置されている環境空間の風況分布のうち、風速の平均値、風速の最大値、乱流エネルギー、又は乱流強度、を含むものである。乱流エネルギー及び乱流強度は、乱れ具合の指標となる。環境空間の風況は、風況計測器20が観測データを取得時刻から、例えば1分後のものとしてよい。学習データセットにおける環境空間の風況は、観測データ取得後どれくらい経過したものとするか、さらにはコマ送りを可能とするか、等の設計仕様によって、適宜決定されてよい。
なお、シミュレーションは、どの程度の量のシナリオを想定するかによって、環境空間の風況分布のうちワーストケースが変わってくる。よって、シミュレーションによりどの程度の量のシナリオを想定するかということも、設計仕様によって適宜決定されてよい。
風況計測器20の数、それぞれの設置位置及び向きは、推論フェーズにおいて使用する態様に学習フェーズも合わせる。
なお風況計測器20は、レーザ光を発するドップラーライダーを想定しているが、本開示技術はこれに限定されない。風況計測器20は、環境空間の境界における風況を観察する機能を備えればよいから、マイクロ波を発するドップラーレーダ、又は音波を発するソナーであってもよい。
環境空間は、おおよそ高さが300[m]、幅が500[m]、奥行が500[m]のスケールのものが想定される。環境空間を分割する格子間隔は、地形及び構造物の形状によって変えればよいが、例えば1[m]から5[m]程度のものが想定される。
本開示技術に係る風況予測装置30が予測する風の風速を5[m/s]とし、環境空間の風況を観測データ取得後1分のものとすると、その間に大気の一団は300[m]進む。このことからも、環境空間の上空から見たときの広さを500[m]四方とすることは、妥当である。
シミュレーションにおいて環境空間は、地形及び地物の3次元情報(図5においては単に「地形データ」と表示)を含むよう、仮想的な空間として生成される。
図5に示される「入力データ」のブロックは、数値シミュレーションを実施するための入力情報を表し、具体的には環境空間の境界における境界条件が該当する。入力データは、多数のシナリオを想定して作成するとよい。なお、数値シミュレーションを実施するための入力データは、シミュレーションの長さ分だけ必要である。例えば1分後の環境空間の風況をシミュレーションする場合、入力データも時刻0から1分後までが必要となる。風況シミュレーションのための入力データは、統計データを用い、小さな乱渦の平均的なスケールと寿命とを考慮して作成するとよい。
また、シミュレーションする風況の初期値つまり初期状態は、環境空間におけるすべての小領域においてゼロつまり無風としてよい。
学習データセットの中で、シミュレーションを行う領域の境界条件に、風況高度分布モデル値を用いる方法と、過去の気象データを用いる方法と、が考えられる。また境界条件に、風況計測器20の観測データを用いる方法が考えられる。風況計測器20の観測データが学習する領域内のデータであった場合、その観測データが解となるシミュレーション結果が複数算出される、ということが起こり得る。これは、本開示技術において、ドローンシステム100における風況計測器20の数を1台としてもよい、としたからである。風況計測器20の数を1台とすることは、数値シミュレーションにおける入力データの一部しか観測していないことを意味する。1台の風況計測器20の観測データは、環境空間の風況を再現するのに十分な情報ではない。
本開示技術の一例は、フェイルセーフな警告を行うようにするため、風況計測器20の観測データに基づいて、幾通りにもなり得る環境空間の風況のORをとって、すなわち環境空間における小領域それぞれのワーストケースを正として、学習を進める。ここでワーストケースとは、風速がより大きい値であるベクトルを意味する。
図6は、本開示技術に係る風況予測装置30の推論過程を示した模式図である。図6に示されるとおり推論フェーズにおける風況予測装置30は、学習済みAIを備える。より具体的には風況予測装置30の演算部34は学習済みAIを備える。図6に示される「実測データ」のブロックは、推論フェーズにおいて、実測による風況計測器20の観測データ(以降、「実測観測データ」と称する)を表している。また図6に示される「出力データ(推定)」のブロックは、学習済みAIの出力であり、学習により得られる環境空間における小領域それぞれのワーストケースの風況を表している。
なお、図6では学習済みAIの出力を「解析領域中の風況分布」として示したが、この分布は、学習フェーズにおいてどのような学習データセットを用いるかによって変わり得る。すなわち学習フェーズにおいて、学習データセットにおける環境空間の風況を観測データ取得後30秒後のものとした場合、学習済みAIの出力も、観測データ取得後30秒後の予測風況分布となる。
この機能によりドローン10の操縦者は、ドローン10に対して不用意な移動を誘発するおそれのある風を事前に察知することができる。
図9は、実施の形態2に係る風況予測装置30の推論過程を示した模式図である。図9を図8と比較して見ると、実施の形態2に係る風況予測装置30は、「全域風況データ」、「流入側算出」、及び「風況計測装置流入側偏向」、という処理ステップを備える。
図10は、実施の形態3に係る風況学習装置の学習過程を示した模式図である。図10を図7と比較して見ると、実施の形態3の処理フローには、「風況データ比較」と記載した判断ブロックがあることがわかる。
Claims (9)
- 学習データセットが入力される入力部と、
AIを備え、前記AIは前記学習データセットに基づいて学習する、演算部と、を備え、
前記学習データセットの一方は、流入側における冪乗則に則した風況高度分布モデル値であり、前記学習データセットの他方は、シミュレーションにより得られる環境空間の風況分布のうち、乱流エネルギー、又は乱流強度、を含むものである、
風況学習装置。 - 前記学習データセットの他方は、前記環境空間における小領域において、複数得られる風況を表すベクトルのうち、風速がより大きい値のものを選択したものである、
請求項1に記載の風況学習装置。 - 風況計測器の実測観測データを取得する入力部と、
学習済みAIを備え、前記実測観測データに基づいて環境空間の風況分布を予測演算する演算部と、
予測演算した前記風況分布を出力する出力部と、を備え、
前記風況分布は、乱流エネルギー、又は乱流強度、を含むものである、
風況予測装置。 - 前記風況計測器は、ライダー、レーダ、又はソナーである、
請求項3に記載の風況予測装置。 - 前記学習済みAIは、説明変数を前記環境空間と外界との境界の全周に渡る風況とし、目的変数を前記環境空間の前記風況分布として学習された、
請求項4に記載の風況予測装置。 - 前記環境空間を飛行するドローンと、
前記ドローンを操縦するコントローラと、
前記風況計測器と、
請求項4に記載の風況予測装置と、を備える
ドローンシステム。 - 前記コントローラは、表示ディスプレイを備える
請求項6に記載のドローンシステム。 - 前記出力部は、前記風況分布を、風向値と風速値、ヒートマップ、矢羽根、又は領域を安全と危険とに分ける領域分け、の態様で前記コントローラに送信し、
前記コントローラは、送信された前記風況分布を前記表示ディスプレイに表示する、
請求項7に記載のドローンシステム。 - 予測した前記環境空間の前記風況分布と、現在の前記ドローンの位置と、に基づいて、
前記ドローンに対して警告が必要な状況だと判断された場合に、
対応する前記コントローラに警告メッセージを送信する、
請求項6に記載のドローンシステム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/005311 WO2023152862A1 (ja) | 2022-02-10 | 2022-02-10 | 風況学習装置、風況予測装置、及びドローンシステム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP7166498B1 true JP7166498B1 (ja) | 2022-11-07 |
JPWO2023152862A1 JPWO2023152862A1 (ja) | 2023-08-17 |
JPWO2023152862A5 JPWO2023152862A5 (ja) | 2024-01-16 |
Family
ID=83931125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022536485A Active JP7166498B1 (ja) | 2022-02-10 | 2022-02-10 | 風況学習装置、風況予測装置、及びドローンシステム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240337773A1 (ja) |
JP (1) | JP7166498B1 (ja) |
CN (1) | CN118661116A (ja) |
DE (1) | DE112022005772T5 (ja) |
WO (1) | WO2023152862A1 (ja) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06110860A (ja) * | 1992-09-28 | 1994-04-22 | Kawasaki Steel Corp | 信号処理装置 |
US20110172920A1 (en) * | 2007-01-12 | 2011-07-14 | Young Paul Yee | Process for generating spatially continuous wind profiles from wind profiler measurements |
JP2013054005A (ja) * | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | 気象変動情報提供システム、気象変動情報提供方法、気象変動情報提供プログラム及び記録媒体 |
JP2017102760A (ja) * | 2015-12-02 | 2017-06-08 | メトロウェザー株式会社 | 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法 |
JP2018142302A (ja) * | 2017-02-24 | 2018-09-13 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、情報処理装置の制御方法、無人航空機、無人航空機の制御方法、およびプログラム |
JP2019022258A (ja) * | 2017-07-12 | 2019-02-07 | 株式会社日立製作所 | 風力発電システム |
JP2019089538A (ja) * | 2017-11-16 | 2019-06-13 | ザ・ボーイング・カンパニーThe Boeing Company | 航空機の飛行計画において微細風況を考慮するシステム |
US20190271563A1 (en) * | 2018-03-02 | 2019-09-05 | International Business Machines Corporation | Microclimate wind forecasting |
JP2020159725A (ja) * | 2019-03-25 | 2020-10-01 | 株式会社新エネルギー総合研究所 | 風況予測システム、及び風況予測方法 |
WO2021039164A1 (ja) * | 2019-08-26 | 2021-03-04 | ソニー株式会社 | 情報処理装置、情報処理システム及び情報処理方法 |
US20210063429A1 (en) * | 2018-08-28 | 2021-03-04 | Ball Aerospace & Technologies Corp. | Optical Wind Lidar-Based Multifunctional Instrument for Enhanced Measurements and Prediction of Clear Air Turbulence and Other Wind-Based Aviation Related Phenomena |
JP2021043598A (ja) * | 2019-09-09 | 2021-03-18 | パイオニア株式会社 | 表示制御装置、表示制御方法及び表示制御プログラム |
JP2021056073A (ja) * | 2019-09-30 | 2021-04-08 | 東日本旅客鉄道株式会社 | 渦検出装置、渦検出方法、プログラム及び学習済モデル |
CN112782660A (zh) * | 2020-12-29 | 2021-05-11 | 杭州电子科技大学 | 基于Bert的雷达目标识别方法 |
JP2021111090A (ja) * | 2020-01-09 | 2021-08-02 | 三菱電機株式会社 | 飛行ルート学習装置、飛行ルート決定装置及び飛行装置 |
CN113536685A (zh) * | 2021-07-23 | 2021-10-22 | 河北工业大学 | 一种基于神经网络外推的风速概率模型的建模方法 |
WO2022029847A1 (ja) * | 2020-08-03 | 2022-02-10 | Anaホールディングス株式会社 | 乱気流予測システムおよび乱気流予測方法 |
WO2022044533A1 (ja) * | 2020-08-27 | 2022-03-03 | ソニーグループ株式会社 | 情報処理装置及び情報処理方法、コンピュータプログラム、並びに移動体装置 |
-
2022
- 2022-02-10 CN CN202280090839.1A patent/CN118661116A/zh active Pending
- 2022-02-10 DE DE112022005772.6T patent/DE112022005772T5/de active Pending
- 2022-02-10 JP JP2022536485A patent/JP7166498B1/ja active Active
- 2022-02-10 WO PCT/JP2022/005311 patent/WO2023152862A1/ja active Application Filing
-
2024
- 2024-06-18 US US18/746,347 patent/US20240337773A1/en active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06110860A (ja) * | 1992-09-28 | 1994-04-22 | Kawasaki Steel Corp | 信号処理装置 |
US20110172920A1 (en) * | 2007-01-12 | 2011-07-14 | Young Paul Yee | Process for generating spatially continuous wind profiles from wind profiler measurements |
JP2013054005A (ja) * | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | 気象変動情報提供システム、気象変動情報提供方法、気象変動情報提供プログラム及び記録媒体 |
JP2017102760A (ja) * | 2015-12-02 | 2017-06-08 | メトロウェザー株式会社 | 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法 |
JP2018142302A (ja) * | 2017-02-24 | 2018-09-13 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、情報処理装置の制御方法、無人航空機、無人航空機の制御方法、およびプログラム |
JP2019022258A (ja) * | 2017-07-12 | 2019-02-07 | 株式会社日立製作所 | 風力発電システム |
JP2019089538A (ja) * | 2017-11-16 | 2019-06-13 | ザ・ボーイング・カンパニーThe Boeing Company | 航空機の飛行計画において微細風況を考慮するシステム |
US20190271563A1 (en) * | 2018-03-02 | 2019-09-05 | International Business Machines Corporation | Microclimate wind forecasting |
US20210063429A1 (en) * | 2018-08-28 | 2021-03-04 | Ball Aerospace & Technologies Corp. | Optical Wind Lidar-Based Multifunctional Instrument for Enhanced Measurements and Prediction of Clear Air Turbulence and Other Wind-Based Aviation Related Phenomena |
JP2020159725A (ja) * | 2019-03-25 | 2020-10-01 | 株式会社新エネルギー総合研究所 | 風況予測システム、及び風況予測方法 |
WO2021039164A1 (ja) * | 2019-08-26 | 2021-03-04 | ソニー株式会社 | 情報処理装置、情報処理システム及び情報処理方法 |
JP2021043598A (ja) * | 2019-09-09 | 2021-03-18 | パイオニア株式会社 | 表示制御装置、表示制御方法及び表示制御プログラム |
JP2021056073A (ja) * | 2019-09-30 | 2021-04-08 | 東日本旅客鉄道株式会社 | 渦検出装置、渦検出方法、プログラム及び学習済モデル |
JP2021111090A (ja) * | 2020-01-09 | 2021-08-02 | 三菱電機株式会社 | 飛行ルート学習装置、飛行ルート決定装置及び飛行装置 |
WO2022029847A1 (ja) * | 2020-08-03 | 2022-02-10 | Anaホールディングス株式会社 | 乱気流予測システムおよび乱気流予測方法 |
WO2022044533A1 (ja) * | 2020-08-27 | 2022-03-03 | ソニーグループ株式会社 | 情報処理装置及び情報処理方法、コンピュータプログラム、並びに移動体装置 |
CN112782660A (zh) * | 2020-12-29 | 2021-05-11 | 杭州电子科技大学 | 基于Bert的雷达目标识别方法 |
CN113536685A (zh) * | 2021-07-23 | 2021-10-22 | 河北工业大学 | 一种基于神经网络外推的风速概率模型的建模方法 |
Also Published As
Publication number | Publication date |
---|---|
DE112022005772T5 (de) | 2024-10-02 |
US20240337773A1 (en) | 2024-10-10 |
WO2023152862A1 (ja) | 2023-08-17 |
CN118661116A (zh) | 2024-09-17 |
JPWO2023152862A1 (ja) | 2023-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3926582B1 (en) | Model generating apparatus, method, and program, and prediction apparatus | |
AU2017352549B2 (en) | Method and device for calculating power generation of wind farm | |
WO2019114160A1 (zh) | 结冰预测方法、装置、模型生成方法及装置 | |
Xia et al. | Operation and maintenance optimization of offshore wind farms based on digital twin: A review | |
KR101590253B1 (ko) | 이미징 소나의 이미지 예측 시뮬레이션 방법 및 이를 이용한 장치 | |
JP6949644B2 (ja) | 風環境学習装置、風環境評価システム、風環境学習方法及び風環境評価方法 | |
Allaerts et al. | Development of a time–height profile assimilation technique for large-eddy simulation | |
CN105005581A (zh) | 一种风电场风资源数据处理方法及系统 | |
CN115408962A (zh) | 基于cfd模拟和测风激光雷达的风场重建方法及系统 | |
JP2018194497A (ja) | 気象予測システム、気象予測方法、気象予測プログラム | |
KR101421707B1 (ko) | 시험을 위한 사용자 설정 물표 정보 기반의 에이알피에이 알고리즘 테스트 시스템 | |
JP3562494B2 (ja) | ソーナー探知範囲予察可視化システム、方法及びプログラム | |
US20200293704A1 (en) | Method, a system and a computer program product for monitoring remote infrastructure networks | |
KR102561270B1 (ko) | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 | |
JP7166498B1 (ja) | 風況学習装置、風況予測装置、及びドローンシステム | |
Allaerts et al. | Using observational mean‐flow data to drive large‐eddy simulations of a diurnal cycle at the SWiFT site | |
My et al. | An Artificial Neural Networks (ANN) Approach for 3 Degrees of Freedom Motion Controlling | |
Hollenbeck et al. | Pitch and roll effects of on-board wind measurements using sUAS | |
JP2006220445A (ja) | 砂嵐予測システムとその砂嵐警報発令方法 | |
WO2019128018A1 (zh) | 确定风资源的方法和装置 | |
CN110390124A (zh) | 确定物体形状的方法和设备、制造计算装置的方法 | |
JP2022074901A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN113888380A (zh) | 一种人员落水轨迹预测方法、装置、设备和介质 | |
JP2023007932A (ja) | 風況予測システム、風況予測方法、および風況予測プログラム | |
JP7467369B2 (ja) | 予測方法、予想プログラム、および予測装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220614 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220614 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220614 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220719 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220927 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221025 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7166498 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |