論文の概要: Machine Learning in Orbit Estimation: a Survey

• arxiv url: http://arxiv.org/abs/2207.08993v3
• Date: Mon, 27 Mar 2023 10:32:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 19:44:12.358252
• Title: Machine Learning in Orbit Estimation: a Survey
• Title（参考訳）: 軌道推定における機械学習:サーベイ
• Authors: Francisco Caldas and Cl\'audia Soares
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since the late 1950s, when the first artificial satellite was launched, the number of Resident Space Objects has steadily increased. It is estimated that around one million objects larger than one cm are currently orbiting the Earth, with only thirty thousand larger than ten cm being tracked. To avert a chain reaction of collisions, known as Kessler Syndrome, it is essential to accurately track and predict debris and satellites' orbits. Current approximate physics-based methods have errors in the order of kilometers for seven-day predictions, which is insufficient when considering space debris, typically with less than one meter. This failure is usually due to uncertainty around the state of the space object at the beginning of the trajectory, forecasting errors in environmental conditions such as atmospheric drag, and unknown characteristics such as the mass or geometry of the space object. Operators can enhance Orbit Prediction accuracy by deriving unmeasured objects' characteristics and improving non-conservative forces' effects by leveraging data-driven techniques, such as Machine Learning. In this survey, we provide an overview of the work in applying Machine Learning for Orbit Determination, Orbit Prediction, and atmospheric density modeling.
• Abstract（参考訳）: 1950年代後半から、最初の人工衛星が打ち上げられると、居住スペースオブジェクトの数は着実に増加した。 1cmを超える約100万個の天体が現在地球を周回していると推定されており、10cm以上の天体は3万個しかないと推定されている。 ケスラー症候群と呼ばれる衝突の連鎖反応を避けるためには、デブリや衛星の軌道を正確に追跡し予測することが不可欠である。 現在の近似物理学に基づく手法では、7日間の予測で数キロの誤差があり、通常は1メートル未満の宇宙ゴミを考えると不十分である。 この故障は通常、軌道開始時の宇宙物体の状態に関する不確実性、大気抵抗などの環境条件の誤差の予測、宇宙物体の質量や形状などの未知の特性によるものである。 オペレータは、計測されていないオブジェクトの特性を導出し、機械学習のようなデータ駆動技術を活用することで、非保守的な力の効果を改善することで、軌道予測精度を向上させることができる。 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を紹介する。

関連論文リスト

• Structure from Motion-based Motion Estimation and 3D Reconstruction of Unknown Shaped Space Debris [3.037387520023979]
  本稿では,限られた資源で未知形状の空間デブリの運動推定を行うための,動きに基づく構造的アルゴリズムを提案する。 本手法は, 微小重力実験により生成した現実的な画像データセットを用いて, 2次元気流実験場と3次元運動学シミュレーションを用いて検証した。
  論文  参考訳（メタデータ） (2024-08-02T06:18:39Z)
• 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)
• Physics-Informed Neural Networks for Satellite State Estimation [0.0]
  本稿では、衛星の軌道状態と連続低振幅加速度プロファイルを推定するためのPINNの適用について詳述する。 PINNを用いた純粋物理モデルの性能を観測残差および観測範囲を超えた伝播精度の観点から評価した。
  論文  参考訳（メタデータ） (2024-03-28T14:54:57Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Towards Spatial Equilibrium Object Detection [88.9747319572368]
  本稿では,現代物体検出器の空間的不平衡問題について考察する。 本稿では,ゾーンにおける検出性能の測定により,この問題の定量化を提案する。 これは、より一般化された測度を設計する動機となり、空間平衡精度と呼ばれる。
  論文  参考訳（メタデータ） (2023-01-14T17:33:26Z)
• Resolving the gravitational redshift within a millimeter atomic sample [94.94540201762686]
  アインシュタインの一般相対性理論では、異なる重力ポテンシャルの時計は異なる速度でくつろいでいる。 超低温ストロンチウムの1ミリスケール試料中の重力赤方偏移と整合した線形周波数勾配を測定した。
  論文  参考訳（メタデータ） (2021-09-24T23:58:35Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• 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)
• Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
  人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。 この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
  論文  参考訳（メタデータ） (2020-04-30T19:35:54Z)
• 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。