論文の概要: A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects
- arxiv url: http://arxiv.org/abs/2303.10183v1
- Date: Fri, 17 Mar 2023 13:53:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 20:50:27.307276
- Title: A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects
- Title（参考訳）: 宇宙物体の制御不能再突入予測のための機械学習と特徴工学的アプローチ
- Authors: Francesco Salmaso and Mirko Trisolini and Camilla Colombo
- Abstract要約: 低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
- 参考スコア（独自算出の注目度）: 1.0205541448656992
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The continuously growing number of objects orbiting around the Earth is
expected to be accompanied by an increasing frequency of objects re-entering
the Earth's atmosphere. Many of these re-entries will be uncontrolled, making
their prediction challenging and subject to several uncertainties.
Traditionally, re-entry predictions are based on the propagation of the
object's dynamics using state-of-the-art modelling techniques for the forces
acting on the object. However, modelling errors, particularly related to the
prediction of atmospheric drag may result in poor prediction accuracies. In
this context, we explore the possibility to perform a paradigm shift, from a
physics-based approach to a data-driven approach. To this aim, we present the
development of a deep learning model for the re-entry prediction of
uncontrolled objects in Low Earth Orbit (LEO). The model is based on a modified
version of the Sequence-to-Sequence architecture and is trained on the average
altitude profile as derived from a set of Two-Line Element (TLE) data of over
400 bodies. The novelty of the work consists in introducing in the deep
learning model, alongside the average altitude, three new input features: a
drag-like coefficient (B*), the average solar index, and the area-to-mass ratio
of the object. The developed model is tested on a set of objects studied in the
Inter-Agency Space Debris Coordination Committee (IADC) campaigns. The results
show that the best performances are obtained on bodies characterised by the
same drag-like coefficient and eccentricity distribution as the training set.
- Abstract（参考訳）: 地球の周りを周回する天体の数は、地球の大気圏に再突入する物体の頻度が増加すると予測されている。
これらの再試行の多くは制御されず、予測に挑戦し、いくつかの不確実性にさらされる。
伝統的に、再突入予測は、オブジェクトに作用する力に対する最先端のモデリング技術を用いて、オブジェクトのダイナミクスの伝播に基づいている。
しかし、特に大気抵抗の予測に関連するモデル誤差は、予測精度が低下する可能性がある。
本稿では,物理に基づくアプローチからデータ駆動アプローチへ,パラダイムシフトを行う可能性を検討する。
本研究では,低地球軌道(LEO)における未制御物体の再突入予測のためのディープラーニングモデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
開発モデルは、IADC(Inter-Agency Space Debris Coordination Committee)キャンペーンで研究された一連のオブジェクトでテストされる。
その結果, トレーニングセットと同じ抗力係数と偏心分布で特徴付けられる体上で最高の性能が得られることがわかった。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Vectorized Representation Dreamer (VRD): Dreaming-Assisted Multi-Agent Motion-Forecasting [2.2020053359163305]
マルチエージェント動作予測問題に対するベクトル化された世界モデルに基づくアプローチであるVRDを紹介する。
本手法では,従来のオープンループトレーニングシステムと,新しい夢のクローズループトレーニングパイプラインを組み合わせる。
本モデルでは,1つの予測ミスレート測定値に対して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-06-20T15:34:17Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。
我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文 参考訳（メタデータ） (2023-10-28T10:19:55Z) - Earthformer: Exploring Space-Time Transformers for Earth System
Forecasting [27.60569643222878]
本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。
Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。
降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2022-07-12T20:52:26Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Harnessing expressive capacity of Machine Learning modeling to represent
complex coupling of Earth's auroral space weather regimes [0.0]
我々は,大域オーロラ粒子降水量の予測を推し進める複数の深層学習(DL)モデルを開発した。
我々は、地球を周回する低軌道の電子エネルギーフラックスから観測を行い、地球上の流星を改良するモデルを開発した。
特に、MLモデルは、歴史的に正確な仕様まで、極端な事象の予測を改善し、MLイノベーションによって提供される能力の増大が、宇宙天気の科学における大きな課題に対処できることを示唆している。
論文 参考訳（メタデータ） (2021-11-29T22:35:09Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳（メタデータ） (2021-04-08T20:01:00Z) - Learning Accurate Long-term Dynamics for Model-based Reinforcement
Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。
シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文 参考訳（メタデータ） (2020-12-16T18:47:37Z)
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。