論文の概要: Finding Real-World Orbital Motion Laws from Data
- arxiv url: http://arxiv.org/abs/2311.10012v1
- Date: Thu, 16 Nov 2023 16:53:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 13:27:06.120316
- Title: Finding Real-World Orbital Motion Laws from Data
- Title（参考訳）: データから実世界の軌道運動法則を見つける
- Authors: Jo\~ao Funenga, Marta Guimar\~aes, Henrique Costa, Cl\'audia Soares
- Abstract要約: 宇宙における衛星の動きを管理するPDEを発見するための新しいアプローチが提示されている。
この手法は、複雑な物理系の基盤となる力学を識別できるデータ駆動技術であるSINDyに基づいている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A novel approach is presented for discovering PDEs that govern the motion of
satellites in space. The method is based on SINDy, a data-driven technique
capable of identifying the underlying dynamics of complex physical systems from
time series data. SINDy is utilized to uncover PDEs that describe the laws of
physics in space, which are non-deterministic and influenced by various factors
such as drag or the reference area (related to the attitude of the satellite).
In contrast to prior works, the physically interpretable coordinate system is
maintained, and no dimensionality reduction technique is applied to the data.
By training the model with multiple representative trajectories of LEO -
encompassing various inclinations, eccentricities, and altitudes - and testing
it with unseen orbital motion patterns, a mean error of around 140 km for the
positions and 0.12 km/s for the velocities is achieved. The method offers the
advantage of delivering interpretable, accurate, and complex models of orbital
motion that can be employed for propagation or as inputs to predictive models
for other variables of interest, such as atmospheric drag or the probability of
collision in an encounter with a spacecraft or space objects. In conclusion,
the work demonstrates the promising potential of using SINDy to discover the
equations governing the behaviour of satellites in space. The technique has
been successfully applied to uncover PDEs describing the motion of satellites
in LEO with high accuracy. The method possesses several advantages over
traditional models, including the ability to provide physically interpretable,
accurate, and complex models of orbital motion derived from high-entropy
datasets. These models can be utilised for propagation or as inputs to
predictive models for other variables of interest.
- Abstract（参考訳）: 宇宙における衛星の動きを管理するPDEを発見するための新しいアプローチが提示されている。
この方法は、時系列データから複雑な物理システムの基盤となるダイナミクスを識別できるデータ駆動技術であるsindyに基づいている。
SINDyは、宇宙における物理学の法則を記述したPDEを明らかにするために利用され、これは非決定論的であり、ドラッグや参照領域(衛星の姿勢に関連する)といった様々な要因の影響を受けている。
従来の作業とは対照的に、物理的に解釈可能な座標系は維持され、データに次元削減技術は適用されない。
様々な傾斜、偏心、高度を通り抜けるLEOの複数の代表的な軌道でモデルを訓練し、未知の軌道運動パターンでテストすることで、位置の140km、速度の0.12km/sの平均誤差が達成される。
この方法は、伝播や、大気抵抗や宇宙船や宇宙物体との衝突における衝突の確率など、他の興味のある変数の予測モデルへの入力として使用できる軌道運動の解釈可能で正確で複雑なモデルを提供することの利点を提供する。
結論として、この研究はSINDyを用いて宇宙における衛星の挙動を規定する方程式を発見する可能性を示している。
この手法は、LEO内の衛星の動きを高精度に記述したPDEの発見に成功している。
この方法は、物理的に解釈可能で、正確で、高エントロピーデータセットから導かれる軌道運動の複雑なモデルを提供する能力など、伝統的なモデルに対していくつかの利点がある。
これらのモデルは、伝播や他の変数の予測モデルへの入力に利用することができる。
関連論文リスト
- Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。
このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
論文 参考訳（メタデータ） (2024-03-22T17:11:47Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
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。
論文 参考訳（メタデータ） (2023-03-17T13:53:59Z) - SpaceYOLO: A Human-Inspired Model for Real-time, On-board Spacecraft
Feature Detection [0.0]
衝突の危険箇所を特定するためには、リアルタイムで自動的な宇宙船の特徴認識が必要である。
新しいアルゴリズムSpaceYOLOは、最先端のオブジェクト検出器YOLOv5を、人間にインスパイアされた意思決定プロセスに基づいて、別個のニューラルネットワークで融合する。
SpaceYOLOの自律型宇宙船検出の性能は、ハードウェア・イン・ザ・ループ実験において通常のYOLOv5と比較される。
論文 参考訳（メタデータ） (2023-02-02T02:11:39Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳（メタデータ） (2023-01-30T04:58:40Z) - STGlow: A Flow-based Generative Framework with Dual Graphormer for
Pedestrian Trajectory Prediction [22.553356096143734]
歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。
本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。
いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
論文 参考訳（メタデータ） (2022-11-21T07:29:24Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - 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) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-02-18T02:25:35Z) - 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) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z)
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。