論文の概要: Neural representation of a time optimal, constant acceleration
rendezvous
- arxiv url: http://arxiv.org/abs/2203.15490v1
- Date: Tue, 29 Mar 2022 12:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 22:22:45.294750
- Title: Neural representation of a time optimal, constant acceleration
rendezvous
- Title(参考訳): 時間最適定数加速度ランデブーの神経表現
- Authors: Dario Izzo and Sebastien Origer
- Abstract要約: 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。
- 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 train neural models to represent both the optimal policy (i.e. the optimal
thrust direction) and the value function (i.e. the time of flight) for a time
optimal, constant acceleration low-thrust rendezvous. In both cases we develop
and make use of the data augmentation technique we call backward generation of
optimal examples. We are thus able to produce and work with large dataset and
to fully exploit the benefit of employing a deep learning framework. We
achieve, in all cases, accuracies resulting in successful rendezvous (simulated
following the learned policy) and time of flight predictions (using the learned
value function). We find that residuals as small as a few m/s, thus well within
the possibility of a spacecraft navigation $\Delta V$ budget, are achievable
for the velocity at rendezvous. We also find that, on average, the absolute
error to predict the optimal time of flight to rendezvous from any orbit in the
asteroid belt to an Earth-like orbit is small (less than 4\%) and thus also of
interest for practical uses, for example, during preliminary mission design
phases.
- Abstract(参考訳): 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。
いずれの場合も、データ拡張技術を開発し、利用し、最適な例を後方に生成する。
これにより、大規模なデータセットを作成して作業し、ディープラーニングフレームワークを使用するメリットを完全に活用することができます。
いずれの場合も、ランデブー(学習した方針に従ってシミュレーションされる)と飛行予測(学習された価値関数を使用して)を成功させる確率を達成する。
我々は、残りが数m/sほど小さく、そのため宇宙船の航法予算である\delta v$ がランデブーの速度で達成可能であることを発見した。
また、平均して、小惑星帯の任意の軌道から地球に似た軌道にランデブーする最適飛行時間を予測する絶対誤差は(4\%未満)小さく、例えば予備ミッション設計段階での実用的利用にも興味がある。
関連論文リスト
- Instance-Conditional Timescales of Decay for Non-Stationary Learning [11.90763787610444]
スローコンセプトドリフトは、機械学習システムにおいて、ユビキタスだが未研究の課題である。
大規模トレーニングウィンドウ上でのインスタンスの重要さのバランスをとるための最適化型アプローチを提案する。
9年間にわたる39万枚の写真からなる大規模な実世界のデータセットの実験では、精度が15%まで向上した。
論文 参考訳(メタデータ) (2022-12-12T14:16:26Z) - Globally Optimal Event-Based Divergence Estimation for Ventral Landing [55.29096494880328]
イベントセンシングはバイオインスパイアされた飛行誘導と制御システムの主要なコンポーネントである。
本研究では, イベントカメラを用いた腹側着陸時の表面との接触時間予測について検討する。
これは、着陸時に発生する事象の流れから放射光の流れの速度である発散(逆TTC)を推定することで達成される。
我々のコアコントリビューションは、イベントベースの発散推定のための新しいコントラスト最大化定式化と、コントラストを正確に最大化し、最適な発散値を求めるブランチ・アンド・バウンドアルゴリズムである。
論文 参考訳(メタデータ) (2022-09-27T06:00:52Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳(メタデータ) (2021-10-28T14:18:22Z) - Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
立方体の作動限界における時間-最適軌道の計画は未解決の問題である。
四重項のアクチュエータポテンシャルをフル活用する解を提案する。
我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
論文 参考訳(メタデータ) (2021-08-10T09:26:43Z) - Autonomous Drone Racing with Deep Reinforcement Learning [39.757652701917166]
ドローンレースのような多くのロボットタスクにおいて、ゴールはできるだけ速くコースポイントを移動することである。
重要な課題は、事前に通過するウェイポイントの完全な知識を想定して解決される最小時間軌道を計画することです。
本研究では,クワッドロータの最小時間軌道生成法を提案する。
論文 参考訳(メタデータ) (2021-03-15T18:05:49Z) - Predicting Training Time Without Training [120.92623395389255]
我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。
我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。
トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
論文 参考訳(メタデータ) (2020-08-28T04:29:54Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z) - FLOT: Scene Flow on Point Clouds Guided by Optimal Transport [82.86743909483312]
本稿では,点雲上のシーンフローを推定するFLOT法を提案する。
グラフマッチングに関する最近の研究に触発されて、最適な輸送手段からツールを借りてこれらの対応を見つける方法を構築した。
私たちの主な発見は、FLOTは、合成および実世界のデータセット上で、最も優れた既存の方法と同様に、実行可能であることです。
論文 参考訳(メタデータ) (2020-07-22T00:15:30Z) - 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) - Real-Time Optimal Guidance and Control for Interplanetary Transfers
Using Deep Networks [10.191757341020216]
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。
論文 参考訳(メタデータ) (2020-02-20T23:37:43Z)
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。