論文の概要: Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2401.02588v1
- Date: Fri, 5 Jan 2024 00:49:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-08 16:18:45.055298
- Title: Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting
- Title（参考訳）: 加速3次元ガウススメッティングによる衛星形状の特徴化
- Authors: Van Minh Nguyen and Emma Sandidge and Trupti Mahendrakar and Ryan T.
White
- Abstract要約: 本稿では,3次元ガウス散乱に基づく軌道上の衛星のマッピング手法を提案する。
ループ型衛星モックアップにおけるモデルトレーニングと3次元レンダリング性能を実演する。
我々のモデルでは、未知の衛星の高品質な新しいビューを、従来のNeRFベースのアルゴリズムよりも2桁近く高速にトレーニングし、レンダリングすることが可能であることが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accelerating deployment of spacecraft in orbit have generated interest in
on-orbit servicing (OOS), inspection of spacecraft, and active debris removal
(ADR). Such missions require precise rendezvous and proximity operations in the
vicinity of non-cooperative, possible unknown, resident space objects. Safety
concerns with manned missions and lag times with ground-based control
necessitate complete autonomy. This requires robust characterization of the
target's geometry. In this article, we present an approach for mapping
geometries of satellites on orbit based on 3D Gaussian Splatting that can run
on computing resources available on current spaceflight hardware. We
demonstrate model training and 3D rendering performance on a
hardware-in-the-loop satellite mock-up under several realistic lighting and
motion conditions. Our model is shown to be capable of training on-board and
rendering higher quality novel views of an unknown satellite nearly 2 orders of
magnitude faster than previous NeRF-based algorithms. Such on-board
capabilities are critical to enable downstream machine intelligence tasks
necessary for autonomous guidance, navigation, and control tasks.
- Abstract（参考訳）: 宇宙船の軌道への展開が加速し、軌道上サービス(OOS)、宇宙船の検査、アクティブデブリ除去(ADR)への関心が高まった。
このようなミッションには、非協力的で未知の、居住可能な宇宙物体の近くでの正確なランデブーと近接操作が必要である。
有人ミッションと地上制御によるラグタイムの安全性は完全な自律性を必要とする。
これはターゲットの幾何をしっかりと特徴づける必要がある。
本稿では,現在の宇宙飛行ハードウェア上で利用可能な計算資源上で動作可能な3次元ガウススプラッティングに基づく軌道上の衛星のジオメトリのマッピング手法を提案する。
いくつかの現実的な照明と動作条件下で,ループ型衛星モックアップのモデルトレーニングと3次元レンダリング性能を示す。
我々のモデルでは、未知の衛星の高品質な新しいビューを、従来のNeRFアルゴリズムよりも2桁近く高速にトレーニングし、レンダリングすることが可能であることが示されている。
このようなオンボード機能は、自律的な誘導、ナビゲーション、制御タスクに必要なダウンストリームマシンインテリジェンスタスクを可能にするために重要である。
関連論文リスト
- Bridging Domain Gap for Flight-Ready Spaceborne Vision [4.14360329494344]
この研究は、既知の非協力的なターゲット宇宙船の単眼的なポーズ推定のためのニューラルネットワーク(NN)であるSpacecraft Pose Network v3(SPNv3)を提示する。
SPNv3は、オフラインのトレーニングや地上での検証で観測されていない、宇宙で撮影された画像に堅牢性を提供しながら、計算的に効率的であるように設計され、訓練されている。
実験により、最後のSPNv3は、コンピュータ生成合成画像のみを訓練しながら、ロボットテストベッドからのハードウェア・イン・ループ画像に対して、最先端の精度を達成できることが示されている。
論文 参考訳（メタデータ） (2024-09-18T02:56:50Z) - SatSplatYOLO: 3D Gaussian Splatting-based Virtual Object Detection Ensembles for Satellite Feature Recognition [0.0]
本研究では、軌道上の未知の非協力衛星の成分のマッピングと高信頼度検出のためのアプローチを提案する。
我々は、衛星の3次元表現を学習し、ターゲットの仮想ビューをレンダリングし、仮想ビュー上でYOLOv5オブジェクト検出器をアンサンブルするために、加速3次元ガウススプラッティングを実装した。
論文 参考訳（メタデータ） (2024-06-04T17:54:20Z) - Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning [1.3121410433987561]
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) - Uncertainty-aware State Space Transformer for Egocentric 3D Hand
Trajectory Forecasting [79.34357055254239]
ハンドトラジェクトリ予測は、AR/VRシステムと対話する際の人間の意図の迅速な理解を可能にするために不可欠である。
既存の方法では、現実の3Dアプリケーションでは不十分な2次元画像空間でこの問題に対処する。
初対人視点で観察されたRGBビデオから3次元空間のハンドトラジェクトリを予測することを目的とした,エゴセントリックな3Dハンドトラジェクトリ予測タスクを構築した。
論文 参考訳（メタデータ） (2023-07-17T04:55:02Z) - 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) - 3D Reconstruction of Non-cooperative Resident Space Objects using
Instant NGP-accelerated NeRF and D-NeRF [0.0]
この研究は、ニューラル放射場(NeRF)アルゴリズムの変動であるInstant NeRFとD-NeRFを軌道上のRSOをマッピングする問題に適応させる。
これらのアルゴリズムは、宇宙船モックアップの画像のデータセットを用いて、3次元再構成の品質とハードウェア要件を評価する。
論文 参考訳（メタデータ） (2023-01-22T05:26:08Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
高速物体把握のための完全自律飛行ロボットが提案されている。
追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。
我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
論文 参考訳（メタデータ） (2021-12-10T11:49:51Z) - 6G in the Sky: On-Demand Intelligence at the Edge of 3D Networks [60.49776988771734]
6Gは衛星、航空、地上のプラットフォームを共同で利用し、無線アクセス能力を向上する。
通信、計算、キャッシュ(C3)サービスをオンデマンドで、いつでも、そして、どこでも3D空間で提供するアーキテクチャを考えます。
論文 参考訳（メタデータ） (2020-10-19T13:07:57Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳（メタデータ） (2020-08-21T03:16:51Z) - 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。