論文の概要: Towards Automated Satellite Conjunction Management with Bayesian Deep Learning

• arxiv url: http://arxiv.org/abs/2012.12450v1
• Date: Wed, 23 Dec 2020 02:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 18:20:35.603491
• Title: Towards Automated Satellite Conjunction Management with Bayesian Deep Learning
• Title（参考訳）: ベイズ深層学習による衛星結合管理の自動化に向けて
• Authors: Francesco Pinto, Giacomo Acciarini, 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: 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。
• 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: After decades of space travel, low Earth orbit is a junkyard of discarded rocket bodies, dead satellites, and millions of pieces of debris from collisions and explosions. Objects in high enough altitudes do not re-enter and burn up in the atmosphere, but stay in orbit around Earth for a long time. With a speed of 28,000 km/h, collisions in these orbits can generate fragments and potentially trigger a cascade of more collisions known as the Kessler syndrome. This could pose a planetary challenge, because the phenomenon could escalate to the point of hindering future space operations and damaging satellite infrastructure critical for space and Earth science applications. As commercial entities place mega-constellations of satellites in orbit, the burden on operators conducting collision avoidance manoeuvres will increase. For this reason, development of automated tools that predict potential collision events (conjunctions) is critical. We introduce a Bayesian deep learning approach to this problem, and develop recurrent neural network architectures (LSTMs) that work with time series of conjunction data messages (CDMs), a standard data format used by the space community. We show that our method can be used to model all CDM features simultaneously, including the time of arrival of future CDMs, providing predictions of conjunction event evolution with associated uncertainties.
• Abstract（参考訳）: 数十年にわたる宇宙旅行の後、低軌道は廃棄されたロケット本体、死んだ衛星、衝突や爆発による数百万の破片のジャンクヤードである。 高度の高い天体は大気圏に再突入して燃え上がるのではなく、長期間地球を周回する軌道に留まる。 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。 この現象は将来の宇宙活動の妨げとなり、宇宙や地球科学の応用に不可欠な衛星インフラを損なう可能性があるため、惑星的な課題となる可能性がある。 商業団体が軌道上の衛星のメガコンステレーションを行うと、衝突回避操作を行うオペレーターの負担が増加する。 このため、潜在的な衝突イベント(結合)を予測する自動ツールの開発が不可欠である。 本稿では,この問題に対するベイズ深層学習手法を紹介し,空間コミュニティが使用する標準データフォーマットである時系列結合データメッセージ (cdms) で動作するリカレントニューラルネットワークアーキテクチャ (lstms) を開発した。 提案手法は,今後のCDMの到着時期など,全てのCDM特徴を同時にモデル化し,関連する不確実性と組み合わせたイベントの進化を予測できることを示す。

関連論文リスト

• 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)
• Precise and Efficient Orbit Prediction in LEO with Machine Learning using Exogenous Variables [1.9336815376402723]
  地球の軌道における宇宙物体の量の増加は、宇宙状況認識(Space situational Awareness, SSA)にとって重要な課題である。 正確な軌道予測は、宇宙物体の位置と速度を予測し、衝突回避と宇宙デブリの緩和のために重要である。 機械学習と時系列技術を用いることで、計算コストが非常に低い位置決め誤差を発生させることができることを示す。
  論文  参考訳（メタデータ） (2024-07-03T07:12:33Z)
• I've Got 99 Problems But FLOPS Ain't One [70.3084616806354]
  私たちは、機械学習アプリケーションのための1000億ドルのデータセンターを構築するための公開計画から始まり、関連する研究方向を見つけるために、従来からあるアプローチを取っています。 データセンターのようなワークロードが持つものを見つけ、ネットワーク研究に焦点をあてて、その課題を探求します。 我々は、データセンターの構築とそのようなモデルの訓練は技術的に可能であると結論づけるが、これはDC間通信のための新しい広域トランスポート、マルチパストランスポート、および新しいデータセンタートポロジを必要とする。
  論文  参考訳（メタデータ） (2024-07-01T10:33:46Z)
• 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)
• 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)
• Machine Learning in Orbit Estimation: a Survey [1.9336815376402723]
  約100万個の天体が現在地球を公転していると推定されている。 現在の近似物理学に基づく手法は、7日間の予測に数キロの誤差がある。 本稿では,軌道決定,軌道予測,大気密度モデリングに機械学習を適用した研究の概要について述べる。
  論文  参考訳（メタデータ） (2022-07-19T00:17:27Z)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• Spacecraft Collision Risk Assessment with Probabilistic Programming [0.0]
  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。
  論文  参考訳（メタデータ） (2020-12-18T14:26:08Z)
• 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)
• Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
  低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。 軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。 エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。 本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2020-05-26T05:39:27Z)
• 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。