論文の概要: Precision Mars Entry Navigation with Atmospheric Density Adaptation via
Neural Networks
- arxiv url: http://arxiv.org/abs/2401.14411v1
- Date: Wed, 17 Jan 2024 19:10:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-04 05:41:15.431492
- Title: Precision Mars Entry Navigation with Atmospheric Density Adaptation via
Neural Networks
- Title(参考訳): ニューラルネットワークを用いた大気密度適応型精密火星探査ナビゲーション
- Authors: Felipe Giraldo-Grueso, Andrey A. Popov, Renato Zanetti
- Abstract要約: 真の火星大気密度とオンボード密度モデルとの相違は、宇宙船の航法フィルタの性能を著しく損なう可能性がある。
この研究は、ニューラルネットワークを用いて大気密度を推定し、推定の不確実性を考慮した考察分析を用いることで、火星の突入に対するオンラインフィルタリングに新しいアプローチを導入している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discrepancies between the true Martian atmospheric density and the onboard
density model can significantly impair the performance of spacecraft entry
navigation filters. This work introduces a new approach to online filtering for
Martian entry by using a neural network to estimate atmospheric density and
employing a consider analysis to account for the uncertainty in the estimate.
The network is trained on an exponential atmospheric density model, and its
parameters are dynamically adapted in real time to account for any mismatches
between the true and estimated densities. The adaptation of the network is
formulated as a maximum likelihood problem, leveraging the measurement
innovations of the filter to identify optimal network parameters. The
incorporation of a neural network enables the use of stochastic optimizers
known for their efficiency in the machine learning domain within the context of
the maximum likelihood approach. Performance comparisons against previous
approaches are conducted in various realistic Mars entry navigation scenarios,
resulting in superior estimation accuracy and precise alignment of the
estimated density with a broad selection of realistic Martian atmospheres
sampled from perturbed Mars-GRAM data.
- Abstract(参考訳): 真の火星大気密度とオンボード密度モデルとの相違は、宇宙船の航法フィルタの性能を著しく損なう可能性がある。
この研究は、ニューラルネットワークを用いて大気密度を推定し、推定の不確実性を考慮した考察分析を用いることで、火星の突入に対するオンラインフィルタリングの新しいアプローチを導入する。
ネットワークは指数的な大気密度モデルに基づいて訓練され、そのパラメータは、真の密度と推定された密度のミスマッチを考慮するためにリアルタイムで動的に適応される。
ネットワークの適応は、最適なネットワークパラメータを識別するためにフィルタの測定革新を活用し、最大極大問題として定式化される。
ニューラルネットワークを組み込むことで、最大確率アプローチのコンテキスト内の機械学習領域における効率性で知られている確率的最適化を利用できるようになる。
従来の手法と性能の比較は、様々なリアルな火星の航法シナリオで行われ、結果として推定密度の推定精度と正確なアライメントが、摂動した火星のグラムデータからサンプリングされた現実的な火星の大気の幅広い選択によって得られた。
関連論文リスト
- Density Estimation for Entry Guidance Problems using Deep Learning [0.0]
長い短期記憶ニューラルネットワークは、エントリー車両で利用可能な測定値と、それが飛んでいる密度プロファイルの間のマッピングを学習するために訓練される。
訓練されたLSTMは、車両が飛行する密度プロファイルを予測し、既に飛行している密度プロファイルを再構築する。
論文 参考訳(メタデータ) (2023-10-30T16:03:37Z) - Transformer-based Atmospheric Density Forecasting [0.8699677835130409]
ディープラーニングベースの予測は、データの非線形性をキャプチャする能力を持つ。
この研究は、大気密度予測のための従来の線形伝搬法を改善する。
論文 参考訳(メタデータ) (2023-10-25T18:23:41Z) - Learning Regionalization within a Differentiable High-Resolution
Hydrological Model using Accurate Spatial Cost Gradients [0.0]
未タグ漁獲物における空間分布水文パラメータの推定は, 地域化の問題を引き起こす。
本稿では,HDA-PR(Hybrid Data Assimilation and Regionalization)アプローチを提案する。
フランスの南方に位置する2つのフラッシュフロード・プロン地域の高分解能、時間、およびキロメートルの地域モデルで試験されている。
論文 参考訳(メタデータ) (2023-08-02T07:23:50Z) - DMF-TONN: Direct Mesh-free Topology Optimization using Neural Networks [4.663709549795511]
本研究では、密度場近似ニューラルネットワークと変位場近似ニューラルネットワークを統合することで、トポロジ最適化を行うための直接メッシュフリー手法を提案する。
この直接積分手法は従来のトポロジ最適化手法に匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2023-05-06T18:04:51Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳(メタデータ) (2021-12-21T16:10:45Z) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳(メタデータ) (2021-09-04T08:43:19Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。
可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文 参考訳(メタデータ) (2020-07-10T19:01:40Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。