論文の概要: Physics-Informed Neural Networks for Satellite State Estimation
- arxiv url: http://arxiv.org/abs/2403.19736v1
- Date: Thu, 28 Mar 2024 14:54:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 17:33:35.726709
- Title: Physics-Informed Neural Networks for Satellite State Estimation
- Title（参考訳）: 物理インフォームドニューラルネットワークによる衛星状態推定
- Authors: Jacob Varey, Jessica D. Ruprecht, Michael Tierney, Ryan Sullenberger,
- Abstract要約: 本稿では、衛星の軌道状態と連続低振幅加速度プロファイルを推定するためのPINNの適用について詳述する。
PINNを用いた純粋物理モデルの性能を観測残差および観測範囲を超えた伝播精度の観点から評価した。
- 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 Space Domain Awareness (SDA) community routinely tracks satellites in orbit by fitting an orbital state to observations made by the Space Surveillance Network (SSN). In order to fit such orbits, an accurate model of the forces that are acting on the satellite is required. Over the past several decades, high-quality, physics-based models have been developed for satellite state estimation and propagation. These models are exceedingly good at estimating and propagating orbital states for non-maneuvering satellites; however, there are several classes of anomalous accelerations that a satellite might experience which are not well-modeled, such as satellites that use low-thrust electric propulsion to modify their orbit. Physics-Informed Neural Networks (PINNs) are a valuable tool for these classes of satellites as they combine physics models with Deep Neural Networks (DNNs), which are highly expressive and versatile function approximators. By combining a physics model with a DNN, the machine learning model need not learn astrodynamics, which results in more efficient and effective utilization of machine learning resources. This paper details the application of PINNs to estimate the orbital state and a continuous, low-amplitude anomalous acceleration profile for satellites. The PINN is trained to learn the unknown acceleration by minimizing the mean square error of observations. We evaluate the performance of pure physics models with PINNs in terms of their observation residuals and their propagation accuracy beyond the fit span of the observations. For a two-day simulation of a GEO satellite using an unmodeled acceleration profile on the order of $10^{-8} \text{ km/s}^2$, the PINN outperformed the best-fit physics model by orders of magnitude for both observation residuals (123 arcsec vs 1.00 arcsec) as well as propagation accuracy (3860 km vs 164 km after five days).
- Abstract（参考訳）: SDA(Space Domain Awareness)コミュニティは、宇宙監視ネットワーク(Space Surveillance Network, SSN)による観測に軌道状態を適用することで、軌道上の衛星を定期的に追跡している。
このような軌道に適合させるためには、衛星に作用する力の正確なモデルが必要である。
過去数十年間、衛星状態の推定と伝播のための高品質な物理モデルが開発されてきた。
これらのモデルは非空気化衛星の軌道状態の推定と伝播に非常に適しているが、低推力電気推進を用いて軌道を変更する衛星など、衛星が十分にモデル化されていないものを経験する可能性のある異常加速のクラスはいくつかある。
物理インフォームドニューラルネットワーク(PINN)は、物理モデルとDeep Neural Networks(DNN)を組み合わせることで、これらの種類の衛星にとって貴重なツールである。
物理モデルとDNNを組み合わせることで、機械学習モデルは天体力学を学習する必要はない。
本稿では、衛星の軌道状態と連続低振幅加速度プロファイルを推定するためのPINNの適用について詳述する。
PINNは、観測の平均2乗誤差を最小限に抑えて未知の加速度を学習するように訓練されている。
PINNを用いた純粋物理モデルの性能を観測残差および観測範囲を超えた伝播精度の観点から評価した。
10^{-8} \text{ km/s}^2$の順に非モデル化された加速度プロファイルを用いたGEO衛星の2日間のシミュレーションでは、PINNは観測残差(123 arcsec vs 1.00 arcsec)と伝播精度(5日後に3860 km vs 164 km)で最良の物理モデルより優れていた。
関連論文リスト
- Scalable Mechanistic Neural Networks [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳（メタデータ） (2024-10-08T14:27:28Z) - Precise and Efficient Orbit Prediction in LEO with Machine Learning using Exogenous Variables [1.9336815376402723]
地球の軌道における宇宙物体の量の増加は、宇宙状況認識(Space situational Awareness, SSA)にとって重要な課題である。
正確な軌道予測は、宇宙物体の位置と速度を予測し、衝突回避と宇宙デブリの緩和のために重要である。
機械学習と時系列技術を用いることで、計算コストが非常に低い位置決め誤差を発生させることができることを示す。
論文 参考訳（メタデータ） (2024-07-03T07:12:33Z) - NeuralCMS: A deep learning approach to study Jupiter's interior [0.0]
本稿では,高精度広範囲内部モデルを生成するために,効率的なディープニューラルネットワーク(DNN)モデルを提案する。
我々は、木星の4層内部モデルのための大きなCMS結果の集合を用いた共有ベースのDNNを訓練した。
ニューラルCMSは重力モーメントの予測において非常に優れた性能を示し、差動回転による不確実性に匹敵する誤差と非常に正確な質量予測を示す。
論文 参考訳（メタデータ） (2024-05-15T10:55:16Z) - Finding Real-World Orbital Motion Laws from Data [0.0]
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。
論文 参考訳（メタデータ） (2023-11-16T16:53:52Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Machine Learning in Orbit Estimation: a Survey [1.9336815376402723]
約100万個の天体が現在地球を公転していると推定されている。
現在の近似物理学に基づく手法は、7日間の予測に数キロの誤差がある。
本稿では,軌道決定,軌道予測,大気密度モデリングに機械学習を適用した研究の概要について述べる。
論文 参考訳（メタデータ） (2022-07-19T00:17:27Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - 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) - ST-PCNN: Spatio-Temporal Physics-Coupled Neural Networks for Dynamics
Forecasting [15.265694039283106]
本稿では,システムの物理を規定するパラメータを学習する物理結合型ニューラルネットワークモデルを提案する。
3つの目標を達成するために,時空間物理結合ニューラルネットワーク(ST-PCNN)モデルを提案する。
ST-PCNNが既存の物理インフォームドモデルより優れていることを検証する。
論文 参考訳（メタデータ） (2021-08-12T19:34:00Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。
3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。
結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文 参考訳（メタデータ） (2020-07-09T01:45:06Z)
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。