論文の概要: Precise and Efficient Orbit Prediction in LEO with Machine Learning using Exogenous Variables
- arxiv url: http://arxiv.org/abs/2407.11026v1
- Date: Wed, 3 Jul 2024 07:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 12:20:02.584682
- Title: Precise and Efficient Orbit Prediction in LEO with Machine Learning using Exogenous Variables
- Title（参考訳）: 外因性変数を用いた機械学習によるLEOの高精度かつ効率的な軌道予測
- Authors: Francisco Caldas, Cláudia Soares,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.9336815376402723
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The increasing volume of space objects in Earth's orbit presents a significant challenge for Space Situational Awareness (SSA). And in particular, accurate orbit prediction is crucial to anticipate the position and velocity of space objects, for collision avoidance and space debris mitigation. When performing Orbit Prediction (OP), it is necessary to consider the impact of non-conservative forces, such as atmospheric drag and gravitational perturbations, that contribute to uncertainty around the future position of spacecraft and space debris alike. Conventional propagator methods like the SGP4 inadequately account for these forces, while numerical propagators are able to model the forces at a high computational cost. To address these limitations, we propose an orbit prediction algorithm utilizing machine learning. This algorithm forecasts state vectors on a spacecraft using past positions and environmental variables like atmospheric density from external sources. The orbital data used in the paper is gathered from precision ephemeris data from the International Laser Ranging Service (ILRS), for the period of almost a year. We show how the use of machine learning and time-series techniques can produce low positioning errors at a very low computational cost, thus significantly improving SSA capabilities by providing faster and reliable orbit determination for an ever increasing number of space objects.
- Abstract（参考訳）: 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。
そして、特に正確な軌道予測は、衝突回避と宇宙ゴミの緩和のために、宇宙物体の位置と速度を予測するために不可欠である。
軌道予測(OP)を行う場合、大気抵抗や重力摂動といった非保守的な力の影響を考慮する必要がある。
SGP4のような従来のプロパゲータ手法ではこれらの力は不十分であり、数値プロパゲータは高い計算コストで力をモデル化することができる。
これらの制約に対処するために,機械学習を用いた軌道予測アルゴリズムを提案する。
このアルゴリズムは、過去の位置と外部からの大気密度のような環境変数を用いて、宇宙船の状態ベクトルを予測する。
論文で使用される軌道データは、ILRS(International Laser Ranging Service)の精密なエフェメリスデータから約1年間収集される。
機械学習と時系列技術を用いることで、非常に低い計算コストで低い位置決め誤差を発生させることで、より高速で信頼性の高い軌道決定を宇宙オブジェクト数の増加にもたらすことにより、SSA能力を大幅に向上させることができることを示す。
関連論文リスト
- Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting [69.4265346261936]
時間的・空間的要因を統一するExtralongerを導入する。
これは特に、現実のベンチマークで1週間まで予測の地平を広げている。
長期および長期のシナリオで新しい標準を設定する。
論文 参考訳（メタデータ） (2024-10-30T04:28:20Z) - Structure from Motion-based Motion Estimation and 3D Reconstruction of Unknown Shaped Space Debris [3.037387520023979]
本稿では,限られた資源で未知形状の空間デブリの運動推定を行うための,動きに基づく構造的アルゴリズムを提案する。
本手法は, 微小重力実験により生成した現実的な画像データセットを用いて, 2次元気流実験場と3次元運動学シミュレーションを用いて検証した。
論文 参考訳（メタデータ） (2024-08-02T06:18:39Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - 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) - 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) - Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
立方体の作動限界における時間-最適軌道の計画は未解決の問題である。
四重項のアクチュエータポテンシャルをフル活用する解を提案する。
我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
論文 参考訳（メタデータ） (2021-08-10T09:26:43Z) - Towards Automated Satellite Conjunction Management with Bayesian Deep
Learning [0.0]
ローアース軌道は、廃棄されたロケット本体、死んだ衛星、および衝突や爆発による何百万もの破片のジャンクヤードです。
速度は28,000km/hで、これらの軌道上の衝突は断片を発生させ、ケスラー症候群として知られるさらなる衝突のカスケードを引き起こす可能性がある。
この問題に対するベイジアン深層学習のアプローチを導入し、時系列の協調データメッセージで動作する繰り返しニューラルネットワークアーキテクチャ(LSTM)を開発します。
論文 参考訳（メタデータ） (2020-12-23T02:16:54Z) - 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) - Imitation Learning for Autonomous Trajectory Learning of Robot Arms in
Space [13.64392246529041]
実演や模倣学習によるプログラミングの概念は、小型宇宙船に搭載されたマニピュレータの軌道計画に使用される。
7自由度(DoF)を持つロボットアームは、将来の宇宙ミッションにおける自律性の向上と地上制御による人間の介入の最小化のために、デブリ除去、軌道上サービス、組み立てといった複数のタスクを実行するために構想されている。
論文 参考訳（メタデータ） (2020-08-10T10:18:04Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。