論文の概要: Predicting the Position Uncertainty at the Time of Closest Approach with Diffusion Models

• arxiv url: http://arxiv.org/abs/2311.05417v1
• Date: Thu, 9 Nov 2023 14:54:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 15:06:06.189399
• Title: Predicting the Position Uncertainty at the Time of Closest Approach with Diffusion Models
• Title（参考訳）: 拡散モデルを用いた最接近時の位置不確かさの予測
• Authors: Marta Guimar\~aes, Cl\'audia Soares, Chiara Manfletti
• Abstract要約: 本研究では,接近する物体の位置不確実性を予測する機械学習モデルを提案する。 その結果,提案手法は宇宙船の安全性と効率を大幅に向上させる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The risk of collision between resident space objects has significantly increased in recent years. As a result, spacecraft collision avoidance procedures have become an essential part of satellite operations. To ensure safe and effective space activities, satellite owners and operators rely on constantly updated estimates of encounters. These estimates include the uncertainty associated with the position of each object at the expected TCA. These estimates are crucial in planning risk mitigation measures, such as collision avoidance manoeuvres. As the TCA approaches, the accuracy of these estimates improves, as both objects' orbit determination and propagation procedures are made for increasingly shorter time intervals. However, this improvement comes at the cost of taking place close to the critical decision moment. This means that safe avoidance manoeuvres might not be possible or could incur significant costs. Therefore, knowing the evolution of this variable in advance can be crucial for operators. This work proposes a machine learning model based on diffusion models to forecast the position uncertainty of objects involved in a close encounter, particularly for the secondary object (usually debris), which tends to be more unpredictable. We compare the performance of our model with other state-of-the-art solutions and a na\"ive baseline approach, showing that the proposed solution has the potential to significantly improve the safety and effectiveness of spacecraft operations.
• Abstract（参考訳）: 近年では、居住する宇宙物体同士の衝突の危険性が著しく増大している。 その結果、宇宙船の衝突回避手順は衛星の運用に欠かせない部分となった。 安全で効果的な宇宙活動を確保するために、衛星所有者とオペレーターは絶えず更新された遭遇の見積もりに依存する。 これらの推定には、期待されたTCAにおける各オブジェクトの位置に関連する不確実性が含まれる。 これらの推定は衝突回避管理などリスク軽減策の立案に不可欠である。 TCAが近づくにつれて、これらの推定の精度が向上し、物体の軌道決定と伝播の手順はより短い時間間隔で行われるようになった。 しかし、この改善は決定の重大な瞬間近くで行われるコストがかかる。 これは、安全な回避操作は不可能かもしれないし、重大なコストを発生させる可能性があることを意味する。 したがって、前もってこの変数の進化を知ることは作用素にとって重要である。 本研究では, 拡散モデルに基づく機械学習モデルを提案し, 接近する物体の位置の不確かさ, 特に, 予測不能な2次物体(通常デブリ)の位置不確実性を予測する。 その結果,提案手法は宇宙船運用の安全性と有効性を大幅に向上できる可能性が示唆された。

関連論文リスト

• Dynamic Obstacle Avoidance through Uncertainty-Based Adaptive Planning with Diffusion [40.76697924496143]
  本稿では,行動予測の不確実性に基づいた適応的生成計画手法を提案する。 本手法は, 衝突回避性能を維持しつつ, 頻繁で計算コストが高く, 冗長な再計画の必要性を最小限に抑える。
  論文  参考訳（メタデータ） (2024-09-25T14:03:58Z)
• Cooperative Probabilistic Trajectory Forecasting under Occlusion [110.4960878651584]
  隠蔽対象の情報を安全なナビゲーションのためにエゴエージェントに伝達する必要がある場合が多い。 本稿では,エゴエージェントの基準フレームにおける閉塞歩行者の現況を協調的に推定するエンド・ツー・エンドネットワークを設計する。 また,エゴ剤による閉塞歩行者の不確実性を考慮した軌道予測は,閉塞を前提とした地上の真実軌道とほぼ同様であることを示した。
  論文  参考訳（メタデータ） (2023-12-06T05:36:52Z)
• Predicting the Probability of Collision of a Satellite with Space Debris: A Bayesian Machine Learning Approach [0.0]
  宇宙は、宇宙活動の増大により、ローアース軌道でさらに混雑している。 定期的な運用の一環として衝突回避を検討する必要性は、衛星運用者にとって明らかである。 現在の手順は、人間アナリストによる多重衝突警告の分析に依存している。
  論文  参考訳（メタデータ） (2023-11-17T16:41:35Z)
• Statistical Learning of Conjunction Data Messages Through a Bayesian Non-Homogeneous Poisson Process [0.0]
  衝突回避と宇宙交通管理の現在のアプローチは多くの課題に直面している。 衛星所有者/オペレーターは、衝突回避操作を行う必要があるかどうかを決定するために、資産の衝突リスクを認識しなければならない。
  論文  参考訳（メタデータ） (2023-11-09T15:04:14Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Safe motion planning with environment uncertainty [1.4824891788575418]
  本稿では,ロボットの状態と環境の不確実性を考慮した安全な運動計画手法を提案する。 我々はまず,ロボットのローカライゼーションにおける画期的な不確実性を考慮したアプローチを開発する。 次に、衝突確率の正確な式を計算することにより、最先端の手法を拡張する。
  論文  参考訳（メタデータ） (2023-05-10T09:29:41Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。