論文の概要: Taxonomy for Resident Space Objects in LEO: A Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2311.05430v1
- Date: Thu, 9 Nov 2023 15:14:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-10 14:50:43.929492
- Title: Taxonomy for Resident Space Objects in LEO: A Deep Learning Approach
- Title（参考訳）: LEOにおける居住空間オブジェクトの分類 : 深層学習アプローチ
- Authors: Marta Guimar\~aes, Cl\'audia Soares, Chiara Manfletti
- Abstract要約: RSOの増加は、宇宙の直接的および間接的なユーザーにとって、衝突や破滅的な事故のリスクを懸念している。
この問題を緩和するためには、軌道上の様々なROSとその振る舞いを十分に理解することが不可欠である。
この分類は、主な特徴に基づいて特定のカテゴリにオブジェクトを割り当てるのに役立つ。
- 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 increasing number of RSOs has raised concerns about the risk of
collisions and catastrophic incidents for all direct and indirect users of
space. To mitigate this issue, it is essential to have a good understanding of
the various RSOs in orbit and their behaviour. A well-established taxonomy
defining several classes of RSOs is a critical step in achieving this
understanding. This taxonomy helps assign objects to specific categories based
on their main characteristics, leading to better tracking services.
Furthermore, a well-established taxonomy can facilitate research and analysis
processes by providing a common language and framework for better understanding
the factors that influence RSO behaviour in space. These factors, in turn, help
design more efficient and effective strategies for space traffic management.
Our work proposes a new taxonomy for RSOs focusing on the low Earth orbit
regime to enhance space traffic management. In addition, we present a deep
learning-based model that uses an autoencoder architecture to reduce the
features representing the characteristics of the RSOs. The autoencoder
generates a lower-dimensional space representation that is then explored using
techniques such as Uniform Manifold Approximation and Projection to identify
fundamental clusters of RSOs based on their unique characteristics. This
approach captures the complex and non-linear relationships between the features
and the RSOs' classes identified. Our proposed taxonomy and model offer a
significant contribution to the ongoing efforts to mitigate the overall risks
posed by the increasing number of RSOs in orbit.
- Abstract（参考訳）: RSOの増加は、宇宙の直接的および間接的なユーザーにとって、衝突や破滅的な事故のリスクを懸念している。
この問題を緩和するためには、軌道上の様々なROSとその振る舞いを十分に理解することが不可欠である。
RSOのいくつかのクラスを定義する確立された分類法は、この理解を達成するための重要なステップである。
この分類は、主な特性に基づいて、特定のカテゴリにオブジェクトを割り当てるのに役立つ。
さらに、確立された分類学は、宇宙におけるrsoの振る舞いに影響を与える要因をよりよく理解するための共通言語とフレームワークを提供することにより、研究と分析のプロセスを促進することができる。
これらの要因は、宇宙交通管理のためのより効率的で効果的な戦略の設計に役立つ。
本研究では,宇宙交通管理を強化するために,低軌道環境に着目したrsosの新しい分類法を提案する。
さらに, オートエンコーダアーキテクチャを用いて, RSOの特性を表す特徴を減らし, 深層学習に基づくモデルを提案する。
オートエンコーダは低次元空間表現を生成し、一様多様体近似や射影法などの手法を用いて、それらの特徴に基づいてrsosの基本クラスターを識別する。
このアプローチは、特徴と識別されるrsosクラスの間の複雑で非線形な関係を捉える。
提案する分類とモデルは、軌道上でのrsosの増加によって生じるリスクを軽減するための継続的な取り組みに重要な貢献をする。
関連論文リスト
- Reciprocal Point Learning Network with Large Electromagnetic Kernel for SAR Open-Set Recognition [6.226365654670747]
Open Set Recognition (OSR)は、未知のクラスを「未知」と表現しながら、既知のクラスを分類することを目的とする。
オープンセットSAR分類を強化するために,相互学習ネットワークを用いた散乱カーネルと呼ばれる手法を提案する。
大規模属性散乱中心モデルに基づく畳み込みカーネルの設計を提案する。
論文 参考訳（メタデータ） (2024-11-07T13:26:20Z) - Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation [65.23793829741014]
Embodied-RAGは、非パラメトリックメモリシステムによるエンボディエージェントのモデルを強化するフレームワークである。
コアとなるEmbodied-RAGのメモリはセマンティックフォレストとして構成され、言語記述を様々なレベルで詳細に保存する。
Embodied-RAGがRAGをロボット領域に効果的にブリッジし、200以上の説明とナビゲーションクエリをうまく処理できることを実証する。
論文 参考訳（メタデータ） (2024-09-26T21:44:11Z) - SpaRC and SpaRP: Spatial Reasoning Characterization and Path Generation for Understanding Spatial Reasoning Capability of Large Language Models [70.01883340129204]
空間推論は 生物学的と人工知能の両方において 重要な要素です
本稿では,現在最先端の大規模言語モデル (LLM) の空間的推論能力について包括的に検討する。
論文 参考訳（メタデータ） (2024-06-07T01:06:34Z) - Deep Regression Representation Learning with Topology [57.203857643599875]
回帰表現の有効性は,そのトポロジによってどのように影響されるかを検討する。
本稿では,特徴空間の内在次元と位相を対象空間と一致させる正則化器PH-Regを紹介する。
合成および実世界の回帰タスクの実験はPH-Regの利点を示している。
論文 参考訳（メタデータ） (2024-04-22T06:28:41Z) - pCTFusion: Point Convolution-Transformer Fusion with Semantic Aware Loss
for Outdoor LiDAR Point Cloud Segmentation [8.24822602555667]
本研究では,カーネルベースの畳み込みと自己保持機構を組み合わせた新しいアーキテクチャpCTFusionを提案する。
提案アーキテクチャでは,エンコーダブロックの階層的位置に基づいて,ローカルとグローバルの2種類の自己保持機構を採用している。
結果は特に、クラス不均衡、スペースの欠如、隣り合わせの機能符号化によってしばしば誤って分類される、マイナーなクラスを奨励している。
論文 参考訳（メタデータ） (2023-07-27T11:12:48Z) - Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。
グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
論文 参考訳（メタデータ） (2023-06-05T12:20:40Z) - ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。
本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
論文 参考訳（メタデータ） (2023-04-13T08:52:34Z) - Towards Lightweight Cross-domain Sequential Recommendation via External
Attention-enhanced Graph Convolution Network [7.1102362215550725]
クロスドメインシークエンシャルレコメンデーション(CSR)は、複数のドメインからのインタラクションをモデル化することで、重複したユーザの振る舞いパターンの進化を描いている。
上記の課題,すなわちLEA-GCNを解決するために,軽量な外部注意強化GCNベースのフレームワークを導入する。
フレームワークの構造をさらに緩和し、ユーザ固有のシーケンシャルパターンを集約するために、新しい二重チャネル外部注意(EA)コンポーネントを考案する。
論文 参考訳（メタデータ） (2023-02-07T03:06:29Z) - Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。
本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
論文 参考訳（メタデータ） (2021-08-16T11:52:08Z) - Hierarchical Reinforcement Learning Framework for Stochastic Spaceflight
Campaign Design [5.381116150823982]
本稿では,宇宙飛行計画のための階層的強化学習アーキテクチャを不確実性下で開発する。
本手法は,不確実な資源利用(ISRU)性能を有する,月面探査の一連のシナリオに適用する。
論文 参考訳（メタデータ） (2021-03-16T11:17:02Z)
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。