論文の概要: Spacecraft Collision Risk Assessment with Probabilistic Programming

• arxiv url: http://arxiv.org/abs/2012.10260v1
• Date: Fri, 18 Dec 2020 14:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-05-01 17:59:30.677381
• Title: Spacecraft Collision Risk Assessment with Probabilistic Programming
• Title（参考訳）: 確率計画による宇宙船衝突リスク評価
• Authors: Giacomo Acciarini, Francesco Pinto, Sascha Metz, Sarah Boufelja, Sylvester Kaczmarek, Klaus Merz, Jos\'e A. Martinez-Heras, Francesca Letizia, Christopher Bridges, At{\i}l{\i}m G\"une\c{s} Baydin
• Abstract要約: 長さ10cmを超える34,000体以上が地球を周回していることが知られている。 そのうち、活動的な衛星はわずかの割合しかなく、残りの人口は死んだ衛星、ロケット本体、および運用中の宇宙船に衝突の脅威を与える破片でできています。 結合データメッセージを合成生成するための新しい物理ベースの確率的生成モデルを構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over 34,000 objects bigger than 10 cm in length are known to orbit Earth. Among them, only a small percentage are active satellites, while the rest of the population is made of dead satellites, rocket bodies, and debris that pose a collision threat to operational spacecraft. Furthermore, the predicted growth of the space sector and the planned launch of megaconstellations will add even more complexity, therefore causing the collision risk and the burden on space operators to increase. Managing this complex framework with internationally agreed methods is pivotal and urgent. In this context, we build a novel physics-based probabilistic generative model for synthetically generating conjunction data messages, calibrated using real data. By conditioning on observations, we use the model to obtain posterior distributions via Bayesian inference. We show that the probabilistic programming approach to conjunction assessment can help in making predictions and in finding the parameters that explain the observed data in conjunction data messages, thus shedding more light on key variables and orbital characteristics that more likely lead to conjunction events. Moreover, our technique enables the generation of physically accurate synthetic datasets of collisions, answering a fundamental need of the space and machine learning communities working in this area.
• Abstract（参考訳）: 長さ10cm以上の34,000以上の天体が地球を公転していることが知られている。 そのうち、アクティブ衛星はごくわずかだが、残りの人口は死んだ衛星、ロケット体、そして運用衛星に衝突の脅威をもたらす破片でできている。 さらに、宇宙セクターの成長が予測され、メガ星の打ち上げが計画されると、さらに複雑さが増し、宇宙運用者の衝突リスクと負担が増大する。 この複雑なフレームワークを国際的に合意された方法で管理することは、重要かつ緊急である。 この文脈では,合成結合データメッセージ生成のための物理ベースの確率生成モデルを構築し,実データを用いてキャリブレーションを行う。 観測を条件づけることで,ベイズ推定による後方分布を求める。 協調評価に対する確率的プログラミングアプローチは、予測や観測されたデータを結合データメッセージで説明するためのパラメータを見つけるのに役立ち、これにより、結合イベントにつながる可能性のある重要な変数や軌道特性に光を当てる。 さらに,この領域で作業する空間と機械学習コミュニティの基本的なニーズに応え,物理的に正確な衝突の合成データセットの生成を可能にする。

関連論文リスト

• Unveiling the Power of Uncertainty: A Journey into Bayesian Neural Networks for Stellar dating [0.9999629695552196]
  本稿では,確率的関係をニューラルネットワークでモデル化した階層型ベイズアーキテクチャを提案する。 我々は、質量、半径、年齢(主ターゲット)などの恒星特性を予測する。 我々のシステムは予測値の潜在的な範囲をカプセル化する分布を生成する。
  論文  参考訳（メタデータ） (2025-03-27T04:45:48Z)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• Predicting the Probability of Collision of a Satellite with Space Debris: A Bayesian Machine Learning Approach [0.0]
  宇宙は、宇宙活動の増大により、ローアース軌道でさらに混雑している。 定期的な運用の一環として衝突回避を検討する必要性は、衛星運用者にとって明らかである。 現在の手順は、人間アナリストによる多重衝突警告の分析に依存している。
  論文  参考訳（メタデータ） (2023-11-17T16:41:35Z)
• Finding Real-World Orbital Motion Laws from Data [0.0]
  宇宙における衛星の動きを管理するPDEを発見するための新しいアプローチが提示されている。 この手法は、複雑な物理系の基盤となる力学を識別できるデータ駆動技術であるSINDyに基づいている。
  論文  参考訳（メタデータ） (2023-11-16T16:53:52Z)
• Probability of Collision of satellites and space debris for short-term encounters: Rederivation and fast-to-compute upper and lower bounds [0.0]
  LEOにおける宇宙デブリの拡散は、宇宙産業にとって大きな関心事となっている。 Akella と Alfriend が2000年に提案した手法は、短期的な衝突の確率を推定するために広く使われている。 本研究は、衝突の確率に対して、自然に強固で高速な上下境界を許容する第一原理に基づく新しい導出を導入する。
  論文  参考訳（メタデータ） (2023-11-15T14:12:55Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• COPILOT: Human-Environment Collision Prediction and Localization from Egocentric Videos [62.34712951567793]
  エゴセントリックな観測から人間と環境の衝突を予測する能力は、VR、AR、ウェアラブルアシストロボットなどのアプリケーションにおける衝突回避を可能にするために不可欠である。 本稿では、ボディマウントカメラから撮影した多視点エゴセントリックビデオから、多様な環境における衝突を予測するという課題を紹介する。 衝突予測と局所化を同時に行うために,COPILOTと呼ばれるトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T17:49:23Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
  本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。 コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• Towards Automated Satellite Conjunction Management with Bayesian Deep Learning [0.0]
  ローアース軌道は、廃棄されたロケット本体、死んだ衛星、および衝突や爆発による何百万もの破片のジャンクヤードです。 速度は28,000km/hで、これらの軌道上の衝突は断片を発生させ、ケスラー症候群として知られるさらなる衝突のカスケードを引き起こす可能性がある。 この問題に対するベイジアン深層学習のアプローチを導入し、時系列の協調データメッセージで動作する繰り返しニューラルネットワークアーキテクチャ(LSTM)を開発します。
  論文  参考訳（メタデータ） (2020-12-23T02:16:54Z)
• Spacecraft Collision Avoidance Challenge: design and results of a machine learning competition [7.278310799048815]
  本稿では,宇宙船衝突回避チャレンジの設計と成果について述べる。 この問題領域に機械学習メソッドを適用する際に学んだ課題と教訓について論じる。
  論文  参考訳（メタデータ） (2020-08-07T10:05:20Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。