論文の概要: Low-Earth Satellite Orbit Determination Using Deep Convolutional
Networks with Satellite Imagery
- arxiv url: http://arxiv.org/abs/2305.12286v3
- Date: Sat, 30 Sep 2023 21:01:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-03 17:45:45.211755
- Title: Low-Earth Satellite Orbit Determination Using Deep Convolutional
Networks with Satellite Imagery
- Title(参考訳): 衛星画像を用いた深部畳み込みネットワークを用いた低地衛星軌道決定
- Authors: Rohit Khorana
- Abstract要約: 我々は,地上局との接触をなくす際に,衛星がリアルタイムに撮影した地球の画像に頼ってその軌道を予測できるコンピュータビジョンに基づくアプローチを提案する。
他の研究とは対照的に、画像ベースのデータセットでニューラルネットワークをトレーニングし、ニューラルネットワークが軌道決定におけるデファクト標準よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given the critical roles that satellites play in national defense, public
safety, and worldwide communications, finding ways to determine satellite
trajectories is a crucially important task for improved space situational
awareness. However, it is increasingly common for satellites to lose connection
to the ground stations with which they communicate due to signal interruptions
from the Earth's ionosphere and magnetosphere, among other interferences. In
this work, we propose utilizing a computer vision based approach that relies on
images of the Earth taken by the satellite in real-time to predict its orbit
upon losing contact with ground stations. In contrast with other works, we
train neural networks on an image-based dataset and show that the neural
networks outperform the de facto standard in orbit determination (the Kalman
filter) in the scenario where the satellite has lost connection with its
ground-based station. Moreover, our approach does not require $\textit{a
priori}$ knowledge of the satellite's state and it takes into account the
external factors influencing the satellite's motion using images taken in
real-time.
- Abstract(参考訳): 衛星が国防、公衆安全、世界的な通信において果たす重要な役割を考えると、衛星軌道を決定する方法を見つけることは、宇宙の状況認識を改善する上で非常に重要な課題である。
しかし、地球の電離層や磁気圏からの信号の遮断などによって通信する地上局との接続を失うことは、衛星にとってますます一般的になっている。
本研究では,地上局との接点を失う際の軌道予測のために,衛星がリアルタイムで撮影した地球の画像に依存するコンピュータビジョンに基づくアプローチを提案する。
他の研究とは対照的に、画像ベースのデータセット上でニューラルネットワークをトレーニングし、衛星が地上基地との接続を失ったシナリオにおいて、ニューラルネットワークが軌道決定におけるデファクト標準(カルマンフィルタ)より優れていることを示す。
さらに,衛星の状態を知るために$\textit{a priori}$を必要とせず,リアルタイムに撮影した画像を用いて衛星の動作に影響を与える外部要因を考慮に入れる。
関連論文リスト
- Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳(メタデータ) (2024-02-01T15:59:16Z) - Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO
Satellite Learning [1.5501208213584152]
本稿では,衛星が大規模機械学習(ML)タスクを効率的に実行できるようにする新しいFL-SECフレームワークを提案する。
主な構成要素は、余分な衛星画像を特定して排除するディビジョン・アンド・コンカーによるパーソナライズドラーニングと、軌道毎に集約された「軌道モデル」を生成し、地上局に送る前に再訓練する軌道モデル再訓練である。
我々のアプローチではFL収束時間が30倍近く減少し、衛星のエネルギー消費は1.38ワットまで減少し、例外的な精度は96%まで維持される。
論文 参考訳(メタデータ) (2024-01-28T02:01:26Z) - Secure and Efficient Federated Learning in LEO Constellations using
Decentralized Key Generation and On-Orbit Model Aggregation [1.4952056744888915]
本稿では、LEO星座向けに設計されたセキュアFLアプローチであるFedSecureを提案する。
FedSecureは、各衛星のデータのプライバシーを、盗聴者、好奇心の強いサーバー、または好奇心の強い衛星に対して保護する。
また、収束の遅れは数日から数時間に劇的に減少するが、85.35%の精度に達する。
論文 参考訳(メタデータ) (2023-09-04T21:36:46Z) - Satellite Detection in Unresolved Space Imagery for Space Domain
Awareness Using Neural Networks [0.0]
この研究は、MobileNetV2 Convolutional Neural Network (CNN)を用いて、衛星の高速かつ移動的な検出を行う。
カスタムデータベースは、合成衛星画像プログラムの画像を使用して作成され、衛星上の「衛星陽性」画像のバウンディングボックスでラベル付けされる。
CNNは、このデータベース上でトレーニングされ、実際の望遠鏡画像で構成された外部データセット上で、モデルの精度をチェックすることによって、推論が検証される。
論文 参考訳(メタデータ) (2022-07-23T04:28:45Z) - Federated Learning in Satellite Constellations [38.58782102290874]
フェデレートラーニング(FL)は、最近、限定的で断続的な接続を持つシステムのための分散機械学習パラダイムとして登場した。
本稿では,衛星コンステレーションがFLにもたらす新たなコンテキストについて述べる。
論文 参考訳(メタデータ) (2022-06-01T08:17:25Z) - A CubeSat platform for space based quantum key distribution [62.997667081978825]
我々は3UキューブサットであるSpooQy-1のフォローアップミッションについて報告し、軌道上で偏光に絡み合った光子の発生を実証した。
ミッションの次のイテレーションでは、偏光に絡み合った光子対のコンパクトなソースに基づいて、衛星と地上の量子鍵の分布を示す。
我々は,現在シンガポールで建設中の光地上局の設計について,量子信号を受信するための設計を簡潔に述べる。
論文 参考訳(メタデータ) (2022-04-23T06:28:43Z) - FedSpace: An Efficient Federated Learning Framework at Satellites and
Ground Stations [10.250105527148731]
低軌道(LEO)衛星の大規模な展開は、大量の地球画像やセンサーデータを収集する。
ダウンリンク帯域の制限、疎結合性、画像解像度の正規化制約のため、高解像度画像をダウンロードし、これらの機械学習モデルを地上で訓練することは不可能であることが多い。
本稿では,地上局と衛星が収集した画像を衛星上で共有することなく,グローバルMLモデルを協調訓練するフェデレートラーニング(FL)を提案する。
論文 参考訳(メタデータ) (2022-02-02T20:09:27Z) - Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。
eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。
RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
論文 参考訳(メタデータ) (2021-12-03T07:44:45Z) - Deep Learning Aided Routing for Space-Air-Ground Integrated Networks
Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。
大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。
低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文 参考訳(メタデータ) (2021-10-28T14:12:10Z) - Artificial Intelligence for Satellite Communication: A Review [91.3755431537592]
この研究は、AI、その多様なサブフィールド、そして最先端のアルゴリズムの概要を提供する。
さまざまな衛星通信分野へのAIの適用は、ビームホッピング、アンチジャミング、ネットワークトラフィック予測、チャネルモデリング、テレメトリマイニング、電離圏シンチレーション検出、干渉管理、リモートセンシング、行動モデリング、スペースエアグラウンド統合、エネルギー管理など、優れた可能性を実証しています。
論文 参考訳(メタデータ) (2021-01-25T13:01:16Z) - 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)
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。