論文の概要: Conjunction Data Messages behave as a Poisson Process

• arxiv url: http://arxiv.org/abs/2105.08509v1
• Date: Fri, 14 May 2021 18:47:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 13:51:16.803405
• Title: Conjunction Data Messages behave as a Poisson Process
• Title（参考訳）: 結合データメッセージはpoissonプロセスとして振る舞う
• Authors: Francisco Caldas, Claudia Soares, Cl\'audia Nunes, Marta Guimar\~aes, Mariana Filipe, Rodrigo Ventura
• Abstract要約: 国際機関は、軌道上のオブジェクトの大規模なデータベースを継続的に監視し、結合データメッセージ形式で警告を発する。 衛星オペレーターにとって重要な質問は、新鮮な情報がいつ到着するかを推定して、衛星操作にタイムリーに反応できるようにすることです。 メッセージ到着過程の統計的学習モデルを提案し、2つの重要な質問に答えることができます。
• 参考スコア（独自算出の注目度）: 3.502237058076449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Space debris is a major problem in space exploration. International bodies continuously monitor a large database of orbiting objects and emit warnings in the form of conjunction data messages. An important question for satellite operators is to estimate when fresh information will arrive so that they can react timely but sparingly with satellite maneuvers. We propose a statistical learning model of the message arrival process, allowing us to answer two important questions: (1) Will there be any new message in the next specified time interval? (2) When exactly and with what uncertainty will the next message arrive? The average prediction error for question (2) of our Bayesian Poisson process model is smaller than the baseline in more than 3 hours in a test set of 50k close encounter events.
• Abstract（参考訳）: 宇宙デブリは宇宙探査において大きな問題である。 国際機関は、軌道上のオブジェクトの大規模なデータベースを継続的に監視し、結合データメッセージ形式で警告を発する。 衛星オペレーターにとって重要な問題は、新しい情報がいつ到着するかを見積もることである。 メッセージ到着プロセスの統計的学習モデルを提案し、(1)次の指定された時間間隔に新しいメッセージが存在するかという2つの重要な質問に答える。 (2) 次のメッセージがいつ、いつ、いつ、どのように不確実になるのか? ベイジアン・ポアソン過程モデルの質問(2)の平均予測誤差は,50kの近接遭遇事象のテストセットにおいて,3時間以上でベースラインよりも小さい。

関連論文リスト

• DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
  提案手法は,2つのタスクの結合を軌道修正問題として定式化する。 この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。 実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
  論文  参考訳（メタデータ） (2024-06-06T18:12:04Z)
• 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)
• Statistical Learning of Conjunction Data Messages Through a Bayesian Non-Homogeneous Poisson Process [0.0]
  衝突回避と宇宙交通管理の現在のアプローチは多くの課題に直面している。 衛星所有者/オペレーターは、衝突回避操作を行う必要があるかどうかを決定するために、資産の衝突リスクを認識しなければならない。
  論文  参考訳（メタデータ） (2023-11-09T15:04:14Z)
• Learning Space-Time Semantic Correspondences [68.06065984976365]
  ソースビデオ、ターゲットビデオ、およびソースビデオ内の時空キーポイントのセットが与えられた場合、そのタスクはターゲットビデオ内のキーポイントのセットを予測する必要がある。 我々は,この課題が,アクティビティコーチング,スポーツ分析,ロボット模倣学習などの応用が可能な,微粒な映像理解に重要であると信じている。
  論文  参考訳（メタデータ） (2023-06-16T23:15:12Z)
• Conjunction Data Messages for Space Collision Behave as a Poisson Process [0.0]
  国際機関は、観測対象の大規模なデータベースを継続的に監視し、共同データメッセージの形で警告を発する。 衛星オペレーターにとって重要な問題は、新しい情報がいつ到着するかを見積もることである。 本稿では,メッセージ到着過程の統計的学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-27T10:28:35Z)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)
• 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 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)
• Temporal Reasoning on Implicit Events from Distant Supervision [91.20159064951487]
  本稿では,暗黙的事象の理解度を評価する新しい時間的推論データセットを提案する。 我々は、暗黙の出来事と明示的な出来事の間の時間的関係を予測する際に、最先端のモデルが苦労していることを発見した。 本稿では,大規模テキストからの遠隔監視信号を利用して終末時刻を推定する,ニューロシンボリックな時間的推論モデルSYMTIMEを提案する。
  論文  参考訳（メタデータ） (2020-10-24T03:12:27Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。 我々は、車や歩行者の軌道予測をベンチマークする。 私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)
• 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。