論文の概要: Real-Time Optimal Guidance and Control for Interplanetary Transfers Using Deep Networks

• arxiv url: http://arxiv.org/abs/2002.09063v1
• Date: Thu, 20 Feb 2020 23:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-12-30 07:44:01.118517
• Title: Real-Time Optimal Guidance and Control for Interplanetary Transfers Using Deep Networks
• Title（参考訳）: ディープネットワークを用いた惑星間移動のリアルタイム最適誘導と制御
• Abstract要約: 最適な例の模倣学習は、ネットワークトレーニングパラダイムとして使用される。 G&CNETは、宇宙船の最適誘導制御システムの実装をオンボードでリアルタイムに行うのに適している。
• 参考スコア（独自算出の注目度）: 10.191757341020216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the Earth-Venus mass-optimal interplanetary transfer of a low-thrust spacecraft and show how the optimal guidance can be represented by deep networks in a large portion of the state space and to a high degree of accuracy. Imitation (supervised) learning of optimal examples is used as a network training paradigm. The resulting models are suitable for an on-board, real-time, implementation of the optimal guidance and control system of the spacecraft and are called G&CNETs. A new general methodology called Backward Generation of Optimal Examples is introduced and shown to be able to efficiently create all the optimal state action pairs necessary to train G&CNETs without solving optimal control problems. With respect to previous works, we are able to produce datasets containing a few orders of magnitude more optimal trajectories and obtain network performances compatible with real missions requirements. Several schemes able to train representations of either the optimal policy (thrust profile) or the value function (optimal mass) are proposed and tested. We find that both policy learning and value function learning successfully and accurately learn the optimal thrust and that a spacecraft employing the learned thrust is able to reach the target conditions orbit spending only 2 permil more propellant than in the corresponding mathematically optimal transfer. Moreover, the optimal propellant mass can be predicted (in case of value function learning) within an error well within 1%. All G&CNETs produced are tested during simulations of interplanetary transfers with respect to their ability to reach the target conditions optimally starting from nominal and off-nominal conditions.
• Abstract（参考訳）: 我々は、低推力宇宙船の地球-金星質量-最適惑星間移動を考察し、状態空間の大部分と高い精度で、どのように最適な誘導を深層ネットワークで表現できるかを示す。 最適例の模倣(教師付き)学習は、ネットワークトレーニングパラダイムとして使用される。 得られたモデルは、宇宙船の最適誘導制御システムの実装をオンボードでリアルタイムに行うのに適したもので、G&CNETと呼ばれる。 Backward Generation of Optimal Examplesと呼ばれる新しい一般的な手法を導入し、最適制御問題を解くことなく、G&CNETのトレーニングに必要な全ての最適な状態アクションペアを効率的に作成できることを示した。 これまでの研究では、数桁の最適な軌道を含むデータセットを作成でき、実際のミッション要求に適合するネットワーク性能を得ることができる。 最適ポリシー(スラストプロファイル)または値関数(最適質量)の表現を訓練できるいくつかのスキームを提案しテストした。 方針学習と価値関数学習の両方が最適推力の学習を成功かつ正確に行い、学習された推力を用いた宇宙船は、対応する数学的な最適推力よりも2パーミルの推進剤しか消費しない目標条件に到達できることを見出した。 さらに、最適な推進剤質量は1%以内の誤差で予測できる(値関数学習の場合)。 全てのG&CNETは、惑星間移動のシミュレーション中に、名目上および外部の条件から最適に目標条件に到達する能力について試験される。

関連論文リスト

• Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
  異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。 本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-25T12:16:28Z)
• Semantic Constraint Synthesis for Adaptive Trajectory Optimization via Large Language Models [21.33747651588263]
  軌道最適化は、宇宙探査において安全かつ信頼性の高い自律的な操作を可能にする重要な要素である。 本稿では,大規模言語モデル(LLM)を利用して,ミッション要求の自然言語記述を翻訳するフレームワークを提案する。 宇宙船ランデブーのシナリオにおける実験は、セマンティックミッションの要求から凸軌道最適化問題をリコンディションする上で高い成功率を示す。
  論文  参考訳（メタデータ） (2026-06-02T18:33:38Z)
• Pretrained Approximators for Low-Thrust Trajectory Cost and Reachability [5.344101367376109]
  低推力軌道設計は燃料消費と輸送能力の繰り返し評価に大きく依存している。 本研究では、これらの量を機械学習サロゲートによって正確に近似し、高速でスケーラブルな評価を可能にすることを示す。 提案モデルでは, 単変速機および多変速機の最適燃料消費と最小移動時間を正確に予測する。
  論文  参考訳（メタデータ） (2026-05-26T10:01:45Z)
• Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions [1.3299507495084417]
  本稿では,無人航空機(UAV)と無人地上航空機(UGV)のハンドオーバミッションのための学習用軌道計画フレームワークを提案する。 本稿では,デカップリング型エンコーダ・デコーダ長短期メモリ(LSTM)ネットワークを用いたニューラルサロゲートプランナを提案する。 ベンチマーク評価は、学習強化計画フレームワークが3倍以上のスピードアップと100%の最適化成功率を達成することを示した。
  論文  参考訳（メタデータ） (2026-05-19T09:07:59Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• A Genetic Algorithm Framework for Optimizing Three-Impulse Orbital Transfers with Poliastro Simulation [0.0]
  本稿では, 遺伝的アルゴリズム(GA)とポリアストロ軌道力学ライブラリを結合して, 燃料最適3パルス移動軌道を自律的に発見する計算フレームワークを提案する。 低地球軌道(LEO)から地球静止軌道(GEO)への低エネルギー移動と、LEOの20倍の半径を持つ遠方の軌道への高エネルギー移動である。 LEO-to-GEO転送では、GAは古典的なホーマン変換に正確に収束し、同じ$Delta V$の3853.96 m/sを達成し、検証する。
  論文  参考訳（メタデータ） (2025-08-05T14:03:35Z)
• World Modeling Makes a Better Planner: Dual Preference Optimization for Embodied Task Planning [60.100794160682646]
  そこで本稿では,嗜好学習による状態予測と行動選択を協調的に最適化する新たな学習フレームワークを提案する。 人間のアノテーションを使わずに軌道や段階的な選好データを自動的に収集するために,試行錯誤による広範囲な探索のための木探索機構を導入する。 提案手法は,Qwen2-VL (7B), LLaVA-1.6 (7B), LLaMA-3.2 (11B) に適用した場合, 既存の手法と GPT-4o を著しく上回っている。
  論文  参考訳（メタデータ） (2025-03-13T15:49:56Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  将来の多機のミッションでは、安全かつ効率的なランデブー操作を確保するために、堅牢な自律的な最適化機能が必要である。 この負担を軽減するため、生成トランスフォーマーモデルを導入し、ロバストな最適初期推定を提供する。 この研究はARTの機能を拡張し、堅牢な制約付き最適制御問題に対処する。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
  最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。 トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
  論文  参考訳（メタデータ） (2024-03-12T07:32:47Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Optimality Principles in Spacecraft Neural Guidance and Control [16.59877059263942]
  我々は、エンドツーエンドの神経誘導と制御アーキテクチャ(以下、G&CNetと呼ばれる)は、最適な原則に従って行動することの重荷をオンボードで転送できると主張している。 このようにして、センサー情報はリアルタイムで最適な計画に変換され、ミッションの自律性と堅牢性が向上する。 本稿では、惑星間移動、着陸、近接操作のシミュレーションにおいて、そのようなニューラルネットワークのトレーニングにおいて得られた主な成果について論じる。
  論文  参考訳（メタデータ） (2023-05-22T14:48:58Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Neural representation of a time optimal, constant acceleration rendezvous [10.191757341020216]
  我々は、最適政策(すなわち最適な推力方向)と値関数(すなわち飛行時間)の両方を表現するために、時間最適で一定加速度の低推力ランデブーをニューラルネットワークで訓練する。 あらゆるケースにおいて、アキュラシーはランデブーと飛行予測の時間に成功する。
  論文  参考訳（メタデータ） (2022-03-29T12:40:50Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)
• Reinforcement Meta-Learning for Interception of Maneuvering Exoatmospheric Targets with Parasitic Attitude Loop [1.7663909228482466]
  我々は強化メタラーニング(Reinforcement Meta-Learning)を用いて、運動目標の対空干渉に適した適応型統合誘導、ナビゲーション、制御システムを最適化する。 このシステムは、ストラップダウン・シーカー角と速度ジャイロによる観測を、スラスタのオンオフコマンドに直接マッピングする。 最適化されたポリシーは、探索角度測定ラグ、スラスタ制御ラグ、スケールファクタエラーによる寄生姿勢ループ、角度および回転速度測定におけるガウスノイズなどの寄生効果に適応できることを実証した。
  論文  参考訳（メタデータ） (2020-04-18T21:20:59Z)

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。