論文の概要: Double Deep Q Networks for Sensor Management in Space Situational Awareness

• arxiv url: http://arxiv.org/abs/2205.14041v1
• Date: Fri, 27 May 2022 15:23:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 14:43:24.282902
• Title: Double Deep Q Networks for Sensor Management in Space Situational Awareness
• Title（参考訳）: 宇宙環境認識におけるセンサ管理のためのDouble Deep Q Network
• Authors: Benedict Oakes, Dominic Richards, Jordi Barr, Jason F. Ralph
• Abstract要約: 空間状況認識(SSA)におけるセンサ管理問題に対する新しいDouble Deep Q Network (DDQN) アプリケーションを提案する。 本研究では,SSAのためのセンサ管理ポリシーの開発に強化学習を用いることを実証する。
• 参考スコア（独自算出の注目度）: 6.289422225293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel Double Deep Q Network (DDQN) application to a sensor management problem in space situational awareness (SSA). Frequent launches of satellites into Earth orbit pose a significant sensor management challenge, whereby a limited number of sensors are required to detect and track an increasing number of objects. In this paper, we demonstrate the use of reinforcement learning to develop a sensor management policy for SSA. We simulate a controllable Earth-based telescope, which is trained to maximise the number of satellites tracked using an extended Kalman filter. The estimated state covariance matrices for satellites observed under the DDQN policy are greatly reduced compared to those generated by an alternate (random) policy. This work provides the basis for further advancements and motivates the use of reinforcement learning for SSA.
• Abstract（参考訳）: 本稿では,空間状況認識(SSA)におけるセンサ管理問題に対する新しいDouble Deep Q Network (DDQN) アプリケーションを提案する。 地球周回軌道への衛星の頻繁な打ち上げは重要なセンサー管理課題となり、より多くの物体を検出し追跡するには限られた数のセンサーが必要となる。 本稿では,SSAのためのセンサ管理ポリシーの開発に強化学習を用いることを実証する。 制御可能な地球型望遠鏡をシミュレートし,拡張カルマンフィルタを用いて追跡する衛星数を最大化する。 ddqnポリシーの下で観測された衛星に対する推定状態共分散行列は、代替(ランダム)ポリシーによって生成されたものに比べて大幅に減少する。 この研究は、さらなる進歩の基礎を提供し、SSAのための強化学習の使用を動機付けている。

関連論文リスト

• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
  本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。 センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。 弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• `Just One More Sensor is Enough' -- Iterative Water Leak Localization with Physical Simulation and a Small Number of Pressure Sensors [0.0]
  本研究では,物理シミュレーションから得られたデータを用いて,複雑な配水網内の局所化をリークする手法を提案する。 本アルゴリズムは,物理シミュレーション(EPANETソフトウェア)と移動体センサの移動移動移動方式に基づく。
  論文  参考訳（メタデータ） (2024-06-28T13:10:13Z)
• Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting [0.0]
  本稿では,3次元ガウス散乱に基づく軌道上の衛星のマッピング手法を提案する。 ループ型衛星モックアップにおけるモデルトレーニングと3次元レンダリング性能を実演する。 我々のモデルでは、未知の衛星の高品質な新しいビューを、従来のNeRFベースのアルゴリズムよりも2桁近く高速にトレーニングし、レンダリングすることが可能であることが示されている。
  論文  参考訳（メタデータ） (2024-01-05T00:49:56Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• A Deep Reinforcement Learning-based Adaptive Charging Policy for Wireless Rechargeable Sensor Networks [14.67786743033424]
  センサをエネルギ化するための信頼性の高いソリューションとして、ワイヤレス電力伝送技術が登場している。 深部強化学習(DRL)を用いた適応型充電方式を提案する。 我々のモデルはネットワークトポロジの自然変化に適応できる。
  論文  参考訳（メタデータ） (2022-08-16T16:10:52Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)
• 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)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)
• Vehicle Tracking in Wireless Sensor Networks via Deep Reinforcement Learning [15.252556567830215]
  追跡精度と省エネの両方を改善するために、分散車両追跡戦略が考案されている。 活性化領域半径の動的選択に依存する2つの深部強化学習法(DRL)を提案する。
  論文  参考訳（メタデータ） (2020-02-22T10:01:49Z)

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。