論文の概要: Advances in Deep Space Exploration via Simulators & Deep Learning
- arxiv url: http://arxiv.org/abs/2002.04051v2
- Date: Sat, 6 Jun 2020 19:21:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 09:40:18.471246
- Title: Advances in Deep Space Exploration via Simulators & Deep Learning
- Title（参考訳）: シミュレータとディープラーニングによる深宇宙探査の進歩
- Authors: James Bird, Linda Petzold, Philip Lubin, Julia Deacon
- Abstract要約: StarLightプログラムは、小さなウェハ衛星(ウェハサット)による恒星間高速移動を概念化する
これらのウェハ衛星の主な目標は、深宇宙旅行で有用な画像を集めることである。
機器が故障し、データレートが遅いため、人間にとって最も重要な画像がデータ転送に優先されるものであることを保証する方法が必要である。
これら3つの問題を解決するために,人工知能を主にコンピュータビジョンの形で活用するシミュレーターベースの手法を導入する。
- 参考スコア（独自算出の注目度）: 2.294014185517203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The StarLight program conceptualizes fast interstellar travel via small wafer
satellites (wafersats) that are propelled by directed energy. This process is
wildly different from traditional space travel and trades large and slow
spacecraft for small, fast, inexpensive, and fragile ones. The main goal of
these wafer satellites is to gather useful images during their deep space
journey. We introduce and solve some of the main problems that accompany this
concept. First, we need an object detection system that can detect planets that
we have never seen before, some containing features that we may not even know
exist in the universe. Second, once we have images of exoplanets, we need a way
to take these images and rank them by importance. Equipment fails and data
rates are slow, thus we need a method to ensure that the most important images
to humankind are the ones that are prioritized for data transfer. Finally, the
energy on board is minimal and must be conserved and used sparingly. No
exoplanet images should be missed, but using energy erroneously would be
detrimental. We introduce simulator-based methods that leverage artificial
intelligence, mostly in the form of computer vision, in order to solve all
three of these issues. Our results confirm that simulators provide an extremely
rich training environment that surpasses that of real images, and can be used
to train models on features that have yet to be observed by humans. We also
show that the immersive and adaptable environment provided by the simulator,
combined with deep learning, lets us navigate and save energy in an otherwise
implausible way.
- Abstract（参考訳）: starlightプログラムは、指向エネルギーによって推進される小型ウェハー衛星(wafersats)を介しての高速星間移動の概念化である。
このプロセスは従来の宇宙旅行とは大きく異なり、大型で遅い宇宙船を小型で高速で安価で脆弱な宇宙船と交換している。
これらのウェハ衛星の主な目標は、深宇宙旅行で有用な画像を集めることである。
この概念に付随する主な問題をいくつか紹介し、解決する。
まず、これまで見たことのない惑星を検出できる物体検出システムが必要です。
第二に、もし太陽系外惑星の画像があれば、これらの画像を重要視してランク付けする方法が必要です。
機器が故障し、データレートが遅いため、人間にとって最も重要な画像がデータ転送に優先されるものであることを保証する方法が必要である。
最後に、ボード上のエネルギーは最小限であり、保存され、控えめに使用する必要がある。
太陽系外惑星の画像は見逃すべきではありませんが、エネルギーを誤って使うのは有害です。
これら3つの問題を解決するために,主にコンピュータビジョンの形で人工知能を活用するシミュレーターベースの手法を導入する。
その結果,シミュレータは実画像を上回る非常に豊かなトレーニング環境を提供し,まだ人間が観測していない特徴をモデルに訓練することができることがわかった。
また、シミュレーターが提供する没入型で適応可能な環境とディープラーニングが組み合わさって、エネルギーのナビゲートと節約を可能にすることも示しています。
関連論文リスト
- Learning autonomous driving from aerial imagery [67.06858775696453]
フォトグラムシミュレーターは、生成済みの資産を新しいビューに変換することによって、新しいビューを合成することができる。
我々は、ニューラルネットワーク場(NeRF)を中間表現として使用し、地上車両の視点から新しいビューを合成する。
論文 参考訳（メタデータ） (2024-10-18T05:09:07Z) - Legged Locomotion in Challenging Terrains using Egocentric Vision [70.37554680771322]
本稿では,階段,縁石,石段,隙間を横断できる最初のエンドツーエンド移動システムを提案する。
この結果を,1台の前面深度カメラを用いた中型四足歩行ロボットに示す。
論文 参考訳（メタデータ） (2022-11-14T18:59:58Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - NavDreams: Towards Camera-Only RL Navigation Among Humans [35.57943738219839]
我々は,アタリゲームにおけるモデリングと学習の方針を示す世界モデルの概念が,カメラによるナビゲーション問題にも適用できるかどうかを考察する。
我々は、ロボットが目標を達成するために衝突することなく、静的で動く人間を通り過ぎなければならないシミュレーション環境を作成する。
現状の手法はナビゲーション問題の解決に成功でき、将来の画像系列の夢のような予測を生成することができる。
論文 参考訳（メタデータ） (2022-03-23T09:46:44Z) - SPEED+: Next Generation Dataset for Spacecraft Pose Estimation across
Domain Gap [0.9449650062296824]
本稿では,SPEED+について紹介する。次世代宇宙船は,領域ギャップに着目したポーズ推定データセットである。
SPEED+には、レンデブース・オプティカル・ナビゲーション(TRON)施設で撮影された宇宙船モックアップモデルの9,531枚のシミュレーション画像が含まれている。
TRONは、任意の数のターゲット画像を、正確かつ極端に多様なポーズラベルで撮影できる、第一種ロボットテストベッドである。
論文 参考訳（メタデータ） (2021-10-06T23:22:24Z) - Towards Robust Monocular Visual Odometry for Flying Robots on Planetary
Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。
高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。
また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-12T12:52:20Z) - Image simulation for space applications with the SurRender software [0.0]
従来のレンダリングエンジンが、宇宙アプリケーションにとって潜在的に重要な制限を提示する理由を説明します。
我々はAirbus SurRenderソフトウェアv7を紹介し、非常に強力な宇宙画像シミュレータを実現する機能の詳細を提供する。
論文 参考訳（メタデータ） (2021-06-21T18:00:01Z) - Model Optimization for Deep Space Exploration via Simulators and Deep
Learning [0.0]
ニューラルネットワークを用いた深層学習の応用を探索し、天体の検出を自動化します。
画像を取得して分析し、重要なものを返送する能力は、帯域制限のあるアプリケーションでは重要です。
複数のモデルアーキテクチャにおいて、比較的小さなトレーニングセットであっても、達成された最大精度が98%以上に達することが示される。
論文 参考訳（メタデータ） (2020-12-28T04:36:09Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-07-27T17:46:59Z) - Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。
私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。
学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
論文 参考訳（メタデータ） (2020-03-20T16:13:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。