論文の概要: Data downlink prioritization using image classification on-board a 6U CubeSat
- arxiv url: http://arxiv.org/abs/2408.14865v1
- Date: Tue, 27 Aug 2024 08:38:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 14:33:22.604351
- Title: Data downlink prioritization using image classification on-board a 6U CubeSat
- Title（参考訳）: 6U立方体Sat上の画像分類を用いたデータダウンリンク優先順位付け
- Authors: Keenan A. A. Chatar, Ezra Fielding, Kei Sano, Kentaro Kitamura,
- Abstract要約: 九州工業大学と共同研究員は,ナノサテライトミッションであるVERTECSのジョイントベンチャーを立ち上げた。
主なミッションは、光波長の宇宙背景放射を観測することで星の形成履歴を解明することである。
VERTECS衛星は小型の望遠鏡と高精度の姿勢制御システムを備え、地上での分析のために宇宙データをキャプチャする。
そこで我々は,データダウンリンクの優先順位付けと最適化のために,最適な画像データを自律的に分類し,圧縮するオンオービットシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nanosatellites are proliferating as low-cost dedicated sensing systems with lean development cycles. Kyushu Institute of Technology and collaborators have launched a joint venture for a nanosatellite mission, VERTECS. The primary mission is to elucidate the formation history of stars by observing the optical-wavelength cosmic background radiation. The VERTECS satellite will be equipped with a small-aperture telescope and a high-precision attitude control system to capture the cosmic data for analysis on the ground. However, nanosatellites are limited by their onboard memory resources and downlink speed capabilities. Additionally, due to a limited number of ground stations, the satellite mission will face issues meeting the required data budget for mission success. To alleviate this issue, we propose an on-orbit system to autonomously classify and then compress desirable image data for data downlink prioritization and optimization. The system comprises a prototype Camera Controller Board (CCB) which carries a Raspberry Pi Compute Module 4 which is used for classification and compression. The system uses a lightweight Convolutional Neural Network (CNN) model to classify and determine the desirability of captured image data. The model is designed to be lean and robust to reduce the computational and memory load on the satellite. The model is trained and tested on a novel star field dataset consisting of data captured by the Sloan Digital Sky Survey (SDSS). The dataset is meant to simulate the expected data produced by the 6U satellite. The compression step implements GZip, RICE or HCOMPRESS compression, which are standards for astronomical data. Preliminary testing on the proposed CNN model results in a classification accuracy of about 100\% on the star field dataset, with compression ratios of 3.99, 5.16 and 5.43 for GZip, RICE and HCOMPRESS that were achieved on tested FITS image data.
- Abstract（参考訳）: ナノサテライトは、リーン開発サイクルを備えた低コストの専用センシングシステムとして成長している。
九州工業大学と共同研究員は,ナノサテライトミッションであるVERTECSのジョイントベンチャーを立ち上げた。
主なミッションは、光波長の宇宙背景放射を観測することで星の形成履歴を解明することである。
VERTECS衛星は小型の望遠鏡と高精度の姿勢制御システムを備え、地上での分析のために宇宙データをキャプチャする。
しかし、ナノサテライトはオンボードメモリリソースとダウンリンク速度能力によって制限されている。
また、地上ステーションが限られているため、衛星ミッションはミッション成功に必要なデータ予算を満たす問題に直面している。
この問題を軽減するために,我々は,データダウンリンク優先順位付けと最適化のために望ましい画像データを自律的に分類し,圧縮する軌道上システムを提案する。
このシステムは、分類と圧縮に使用されるRaspberry Pi Compute Module 4を搭載したカメラコントローラボード(CCB)のプロトタイプで構成されている。
このシステムは、軽量な畳み込みニューラルネットワーク(CNN)モデルを使用して、キャプチャされた画像データの望ましさを分類し、決定する。
このモデルは、衛星の計算負荷とメモリ負荷を減らすために、リーンで堅牢に設計されている。
このモデルは、Sloan Digital Sky Survey (SDSS)によって収集されたデータからなる、新しい星場データセットで訓練され、テストされている。
このデータセットは、6U衛星が生成する予測データをシミュレートすることを目的としている。
圧縮ステップは、天文学データの標準であるGZip、RICE、HCOMpression圧縮を実装している。
提案したCNNモデルに対する予備試験の結果、テストされたFITS画像データ上で達成されたGZip, RICE, HCOMPRESSの圧縮比が3.99, 5.16, 5.43である。
関連論文リスト
- COSMIC: Compress Satellite Images Efficiently via Diffusion Compensation [18.963383434754515]
衛星画像の送信を行うための簡易かつ効果的な圧縮ソリューションであるCOSMICを提案する。
まず,衛星間リンクを保存するために,高圧縮率を実現するために,衛星上に軽量エンコーダを設計する。
そこで,地上での再構成のために,デコード時に画像の詳細を補償する拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-10-02T16:05:15Z) - SPIN: Spacecraft Imagery for Navigation [8.155713824482767]
本研究では、2つの宇宙船間の相対航法のためのオープンソースのリアルな宇宙船画像生成ツールSPINを提案する。
SPINはさまざまな地上データを提供し、研究者は衛星のカスタム3Dモデルを使用することができる。
実空間条件をシミュレートする一般的なテストベッドデータにおいて,平均誤差を50%削減することを示す。
論文 参考訳（メタデータ） (2024-06-11T17:35:39Z) - Secure and Efficient Federated Learning in LEO Constellations using
Decentralized Key Generation and On-Orbit Model Aggregation [1.4952056744888915]
本稿では、LEO星座向けに設計されたセキュアFLアプローチであるFedSecureを提案する。
FedSecureは、各衛星のデータのプライバシーを、盗聴者、好奇心の強いサーバー、または好奇心の強い衛星に対して保護する。
また、収束の遅れは数日から数時間に劇的に減少するが、85.35%の精度に達する。
論文 参考訳（メタデータ） (2023-09-04T21:36:46Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - A CubeSat platform for space based quantum key distribution [62.997667081978825]
我々は3UキューブサットであるSpooQy-1のフォローアップミッションについて報告し、軌道上で偏光に絡み合った光子の発生を実証した。
ミッションの次のイテレーションでは、偏光に絡み合った光子対のコンパクトなソースに基づいて、衛星と地上の量子鍵の分布を示す。
我々は,現在シンガポールで建設中の光地上局の設計について,量子信号を受信するための設計を簡潔に述べる。
論文 参考訳（メタデータ） (2022-04-23T06:28:43Z) - 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) - 2-speed network ensemble for efficient classification of incremental
land-use/land-cover satellite image chips [2.362412515574206]
衛星画像データの増大は、産業や政府にとって、データ駆動的な決定を下すことの難しさを浮き彫りにしている。
ビッグデータのコンテキストにおける再トレーニングのコストは,新たなイメージデータやクラスをトレーニングコーパスに追加する場合に,現実的な課題となる。
提案されたアンサンブルとスタッガードトレーニングスケジュールは、スケーラブルで費用対効果の高い衛星画像分類スキームを提供する。
論文 参考訳（メタデータ） (2022-03-15T21:36:05Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳（メタデータ） (2021-04-28T15:13:12Z) - 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。