論文の概要: Earth Observation Satellite Scheduling with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2408.15041v1
• Date: Tue, 27 Aug 2024 13:10:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 13:43:53.404889
• Title: Earth Observation Satellite Scheduling with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる地球観測衛星のスケジューリング
• Authors: Antoine Jacquet, Guillaume Infantes, Nicolas Meuleau, Emmanuel Benazera, Stéphanie Roussel, Vincent Baudoui, Jonathan Guerra,
• Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)に基づく観測結果の選択とスケジューリングを行う新しい手法を提案する。 シミュレーションにより,より大規模な実世界のインスタンスに一般化し,従来の手法と比較して非常に競争力のある性能で学習できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.1684839631276702
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The Earth Observation Satellite Planning (EOSP) is a difficult optimization problem with considerable practical interest. A set of requested observations must be scheduled on an agile Earth observation satellite while respecting constraints on their visibility window, as well as maneuver constraints that impose varying delays between successive observations. In addition, the problem is largely oversubscribed: there are much more candidate observations than what can possibly be achieved. Therefore, one must select the set of observations that will be performed while maximizing their weighted cumulative benefit, and propose a feasible schedule for these observations. As previous work mostly focused on heuristic and iterative search algorithms, this paper presents a new technique for selecting and scheduling observations based on Graph Neural Networks (GNNs) and Deep Reinforcement Learning (DRL). GNNs are used to extract relevant information from the graphs representing instances of the EOSP, and DRL drives the search for optimal schedules. Our simulations show that it is able to learn on small problem instances and generalize to larger real-world instances, with very competitive performance compared to traditional approaches.
• Abstract（参考訳）: 地球観測衛星計画(英語: Earth Observation Satellite Planning、EOSP)は、実際的な関心を持つ難しい最適化問題である。 要求された観測のセットは、その可視性窓の制約を尊重しながら、アジャイルな地球観測衛星にスケジュールされなければならない。 さらに、問題は概ね過剰な説明であり、達成可能なものよりもはるかに多くの候補観察がある。 したがって、重み付けされた累積的利益を最大化しながら実施される観測の集合を選択し、これらの観測の実現可能なスケジュールを提案する必要がある。 本稿では,主にヒューリスティックかつ反復的な探索アルゴリズムに着目し,グラフニューラルネットワーク(GNN)と深層強化学習(DRL)に基づく観測の選定とスケジューリングを行う新しい手法を提案する。 GNNはEOSPのインスタンスを表すグラフから関連する情報を抽出するために使用され、DRLは最適なスケジュールを探索する。 シミュレーションにより,より大規模な実世界のインスタンスに一般化し,従来の手法と比較して非常に競争力のある性能で学習できることが示唆された。

関連論文リスト

• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• STROOBnet Optimization via GPU-Accelerated Proximal Recurrence Strategies [0.0]
  本研究では,時空間レンジオブザーバ・オブザーバ・オブザーバ・バイパートイトネットワーク(STROOBnet)に着目した。 観測ノード(監視カメラなど)を定義された地理的領域内のイベントにリンクし、効率的な監視を可能にする。 ニューオーリンズのRTCC(Real-Time Crime Camera)システムとCFS(Calls for Service)のデータを用いて、ネットワークの初期観測不均衡に対処する。
  論文  参考訳（メタデータ） (2024-04-22T17:46:29Z)
• Self-Driving Telescopes: Autonomous Scheduling of Astronomical Observation Campaigns with Offline Reinforcement Learning [0.6976905094072174]
  我々は、ストーンエッジ天文台(SEO)の観測スケジュールを最適化するために、シミュレーションデータを用いてDeep Q-Network(DQN)の複数の実装をテスト、比較する。 DQNは,テストセットの各状態における達成可能な最大報酬の87%以上-6%の報酬を得られることを示す。 これは、特定の天文学的課題に対するオフラインRLアルゴリズムの最初の比較であり、そのような比較と評価を行うための最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2023-11-29T21:23:30Z)
• 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)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Multi-strip observation scheduling problem for ac-tive-imaging agile earth observation satellites [0.0]
  能動画像型地球観測衛星(MOSP)のマルチストリップ観測スケジューリング問題について検討する。 適応的大近傍探索アルゴリズム (ALNS) と非支配的ソート遺伝的アルゴリズム (NSGA-II) の組合せ力を統合した適応的二目的メメティクスアルゴリズムとともに、二目的最適化モデルを示す。 我々のモデルは既存のモデルよりも多用途であり、応用問題解決の能力を高める。
  論文  参考訳（メタデータ） (2022-07-04T08:35:57Z)
• Transfer RL across Observation Feature Spaces via Model-Based Regularization [9.660642248872973]
  多くの強化学習(RL)アプリケーションでは、観察空間は人間の開発者によって指定され、物理的実現によって制限される。 そこで本研究では,提案手法を用いて,ソースタスク中の潜時空間のダイナミクスを抽出し,対象タスクに動的モデルを転送するアルゴリズムを提案する。 本アルゴリズムは,タスク間マッピングや目標タスクの事前知識を使わずに,観測空間の劇的な変化に有効である。
  論文  参考訳（メタデータ） (2022-01-01T22:41:19Z)
• Observation Space Matters: Benchmark and Optimization Algorithm [20.503293998529024]
  最適な観測空間を見つけるための探索アルゴリズムを提案する。 本アルゴリズムは,手動で設計した観測空間と比較して学習速度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-11-02T05:40:31Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Graph Neural Networks for Motion Planning [108.51253840181677]
  低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。 臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
  論文  参考訳（メタデータ） (2020-06-11T08:19:06Z)

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。