Accéder directement au contenu Accéder directement à la navigation
Nouvelle interface
Article dans une revue

Neural Nets trained by genetic algorithms for collision avoidance

Abstract : As air traffic keeps increasing, many research programs focus on collision avoidance techniques. For short or medium term avoidance, new headings have to be computed almost on the spot, and feed forward neural nets are susceptible to find solutions in a much shorter amount of time than classical avoidance algorithms (A_, stochastic optimization, etc.) In this article, we show that a neural network can be built with unsupervised learning to compute nearly optimal trajectories to solve two aircraft conflicts with the highest reliability, while computing headings in a few milliseconds.
Type de document :
Article dans une revue
Liste complète des métadonnées

Littérature citée [17 références]  Voir  Masquer  Télécharger

https://hal-enac.archives-ouvertes.fr/hal-00934535
Contributeur : Laurence Porte Connectez-vous pour contacter le contributeur
Soumis le : mardi 29 avril 2014 - 17:12:39
Dernière modification le : mardi 19 octobre 2021 - 11:02:49
Archivage à long terme le : : mardi 29 juillet 2014 - 10:45:20

Fichier

Durand_AI2000.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Collections

Citation

Nicolas Durand, Jean-Marc Alliot, Frédéric Medioni. Neural Nets trained by genetic algorithms for collision avoidance. Applied Intelligence, 2000, 13 (3), pp 205-213. ⟨10.1023/A:1026507809196⟩. ⟨hal-00934535⟩

Partager

Métriques

Consultations de la notice

217

Téléchargements de fichiers

394