論文の概要: Learning-based methods to model small body gravity fields for proximity
operations: Safety and Robustness
- arxiv url: http://arxiv.org/abs/2112.09998v1
- Date: Sat, 18 Dec 2021 20:53:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 18:55:28.244367
- Title: Learning-based methods to model small body gravity fields for proximity
operations: Safety and Robustness
- Title（参考訳）: 近接操作のための小体重力場モデリングのための学習的手法:安全性とロバスト性
- Authors: Daniel Neamati, Yashwanth Kumar Nakka and Soon-Jo Chung
- Abstract要約: 我々は、宇宙船の過去の軌道を直接利用する学習に基づく重力モデルを構築する。
また,学習領域内外における精度を比較することにより,学習手法の安全性と堅牢性を評価する手法を提案する。
- 参考スコア（独自算出の注目度）: 7.918886297003018
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate gravity field models are essential for safe proximity operations
around small bodies. State-of-the-art techniques use spherical harmonics or
high-fidelity polyhedron shape models. Unfortunately, these techniques can
become inaccurate near the surface of the small body or have high computational
costs, especially for binary or heterogeneous small bodies. New learning-based
techniques do not encode a predefined structure and are more versatile. In
exchange for versatility, learning-based techniques can be less robust outside
the training data domain. In deployment, the spacecraft trajectory is the
primary source of dynamics data. Therefore, the training data domain should
include spacecraft trajectories to accurately evaluate the learned model's
safety and robustness. We have developed a novel method for learning-based
gravity models that directly uses the spacecraft's past trajectories. We
further introduce a method to evaluate the safety and robustness of
learning-based techniques via comparing accuracy within and outside of the
training domain. We demonstrate this safety and robustness method for two
learning-based frameworks: Gaussian processes and neural networks. Along with
the detailed analysis provided, we empirically establish the need for
robustness verification of learned gravity models when used for proximity
operations.
- Abstract（参考訳）: 正確な重力場モデルは、小さな物体周辺の安全な近接操作に不可欠である。
最先端技術は球面調和または高忠実度ポリヘドロン形状モデルを用いる。
残念なことに、これらの技術は小体の表面付近で不正確なものになり、特に二元体や不均一な小体の計算コストが高い。
新しい学習ベースのテクニックは、事前定義された構造をエンコードせず、より汎用性がある。
汎用性と引き換えに、学習ベースのテクニックは、トレーニングデータドメインの外では堅牢ではない。
展開では、宇宙船軌道が動力学データの主な源である。
したがって、トレーニングデータドメインには、学習モデルの安全性とロバスト性を正確に評価するための宇宙船軌道が含まれるべきである。
我々は、宇宙船の過去の軌道を直接利用する学習ベースの重力モデルを開発した。
さらに,学習領域内外の精度を比較することにより,学習手法の安全性と堅牢性を評価する手法を提案する。
ガウス過程とニューラルネットワークという2つの学習ベースのフレームワークの安全性と堅牢性を示す。
得られた詳細な解析と合わせて,近接操作に使用する学習重力モデルのロバスト性検証の必要性を実証的に確立する。
関連論文リスト
- Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
本稿では,低次元物理モデル学習のための合理化手法を提案する。
各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。
物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
論文 参考訳（メタデータ） (2024-10-31T18:37:22Z) - PETScML: Second-order solvers for training regression problems in Scientific Machine Learning [0.22499166814992438]
近年、分析のためのデータ駆動ツールとして、科学機械学習の出現を目撃している。
我々は、ディープラーニングソフトウェアと従来の機械学習技術とのギャップを埋めるために、Portable and Extensible Toolkit for Scientific計算上に構築されたソフトウェアを紹介します。
論文 参考訳（メタデータ） (2024-03-18T18:59:42Z) - DTC: Deep Tracking Control [16.2850135844455]
本研究では,両世界の強靭性,フット配置精度,地形の一般化を両世界の利点と組み合わせたハイブリッド制御アーキテクチャを提案する。
深層ニューラルネットワークポリシは、最適化された足場を追跡することを目的として、シミュレーションでトレーニングされている。
モデルベースに比べて滑りやすい地盤や変形可能な地盤が存在する場合の強靭性を示す。
論文 参考訳（メタデータ） (2023-09-27T07:57:37Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳（メタデータ） (2022-11-19T17:06:10Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Model-Based Reinforcement Learning with SINDy [0.0]
強化学習(RL)における物理系の非線形力学を規定する新しい手法を提案する。
本手法は,技術モデル学習アルゴリズムの状態よりもはるかに少ないトラジェクトリを用いて,基礎となるダイナミクスを発見することができることを確認した。
論文 参考訳（メタデータ） (2022-08-30T19:03:48Z) - 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) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - Real-Time Model Calibration with Deep Reinforcement Learning [4.707841918805165]
本稿では,強化学習に基づくモデルパラメータ推定のための新しいフレームワークを提案する。
提案手法を2つのモデルベース診断試験ケースで実証し, 評価した。
論文 参考訳（メタデータ） (2020-06-07T00:11:42Z) - Guided Uncertainty-Aware Policy Optimization: Combining Learning and
Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。
強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。
本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文 参考訳（メタデータ） (2020-05-21T19:47:05Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z)
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。