論文の概要: Generalizable Spacecraft Trajectory Generation via Multimodal Learning with Transformers
- arxiv url: http://arxiv.org/abs/2410.11723v1
- Date: Tue, 15 Oct 2024 15:55:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 14:00:49.928165
- Title: Generalizable Spacecraft Trajectory Generation via Multimodal Learning with Transformers
- Title(参考訳): 変圧器を用いたマルチモーダル学習による一般化可能な宇宙機軌道生成
- Authors: Davide Celestini, Amirhossein Afsharrad, Daniele Gammelli, Tommaso Guffanti, Gioele Zardini, Sanjay Lall, Elisa Capello, Simone D'Amico, Marco Pavone,
- Abstract要約: 本稿では,様々な問題構成にまたがって一般化する新しいトラジェクトリ生成フレームワークを提案する。
我々は、データソースから学習できる高容量トランスフォーマーニューラルネットワークを活用している。
このフレームワークはフリーフライアプラットフォームでのシミュレーションと実験を通じて検証されている。
- 参考スコア(独自算出の注目度): 14.176630393074149
- License:
- Abstract: Effective trajectory generation is essential for reliable on-board spacecraft autonomy. Among other approaches, learning-based warm-starting represents an appealing paradigm for solving the trajectory generation problem, effectively combining the benefits of optimization- and data-driven methods. Current approaches for learning-based trajectory generation often focus on fixed, single-scenario environments, where key scene characteristics, such as obstacle positions or final-time requirements, remain constant across problem instances. However, practical trajectory generation requires the scenario to be frequently reconfigured, making the single-scenario approach a potentially impractical solution. To address this challenge, we present a novel trajectory generation framework that generalizes across diverse problem configurations, by leveraging high-capacity transformer neural networks capable of learning from multimodal data sources. Specifically, our approach integrates transformer-based neural network models into the trajectory optimization process, encoding both scene-level information (e.g., obstacle locations, initial and goal states) and trajectory-level constraints (e.g., time bounds, fuel consumption targets) via multimodal representations. The transformer network then generates near-optimal initial guesses for non-convex optimization problems, significantly enhancing convergence speed and performance. The framework is validated through extensive simulations and real-world experiments on a free-flyer platform, achieving up to 30% cost improvement and 80% reduction in infeasible cases with respect to traditional approaches, and demonstrating robust generalization across diverse scenario variations.
- Abstract(参考訳): 効果的な軌道生成は、オンボード宇宙船の自律性に不可欠である。
学習に基づくウォームスタートは、軌道生成問題を解決するための魅力的なパラダイムであり、最適化法とデータ駆動法の利点を効果的に組み合わせている。
学習に基づく軌道生成の現在のアプローチは、しばしば、障害位置や最終時間要件といった主要なシーン特性が問題インスタンス全体にわたって一定であるような、固定された単一シナリオ環境に焦点を当てている。
しかし、現実的な軌道生成ではシナリオを頻繁に再構成する必要があるため、単一シナリオアプローチは潜在的に非現実的な解決策となる。
この課題に対処するために,マルチモーダルデータソースから学習可能な高容量トランスフォーマーニューラルネットワークを活用することにより,多様な問題構成を一般化する新たなトラジェクトリ生成フレームワークを提案する。
具体的には、トランスフォーマーに基づくニューラルネットワークモデルを軌道最適化プロセスに統合し、シーンレベルの情報(例えば、障害物位置、初期状態、目標状態)と軌道レベルの制約(例えば、時間境界、燃料消費目標)をマルチモーダル表現を介して符号化する。
変換器ネットワークは、非凸最適化問題に対する近似初期推定をほぼ最適に生成し、収束速度と性能を大幅に向上させる。
このフレームワークは、フリーフライアプラットフォーム上での広範なシミュレーションと実世界の実験を通じて検証され、従来のアプローチに関して、最大30%のコスト改善と80%の非実用性ケースの削減を実現し、様々なシナリオのバリエーションにわたって堅牢な一般化を実証している。
関連論文リスト
- Non-iterative Optimization of Trajectory and Radio Resource for Aerial Network [7.824710236769593]
我々は,空中IoTネットワークにおける共同軌道計画,ユーザアソシエーション,資源配分,電力制御の問題に対処する。
我々のフレームワークは、遺伝的、木探索、強化学習といった様々な軌道計画アルゴリズムを組み込むことができる。
論文 参考訳(メタデータ) (2024-05-02T14:21:29Z) - Eco-Driving Control of Connected and Automated Vehicles using Neural
Network based Rollout [0.0]
接続された自動運転車は、エネルギー消費を最小化する可能性がある。
既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。
本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-16T23:13:51Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-10T00:21:10Z) - DTC: Deep Tracking Control [16.2850135844455]
本研究では,両世界の強靭性,フット配置精度,地形の一般化を両世界の利点と組み合わせたハイブリッド制御アーキテクチャを提案する。
深層ニューラルネットワークポリシは、最適化された足場を追跡することを目的として、シミュレーションでトレーニングされている。
モデルベースに比べて滑りやすい地盤や変形可能な地盤が存在する場合の強靭性を示す。
論文 参考訳(メタデータ) (2023-09-27T07:57:37Z) - Path Signatures for Diversity in Probabilistic Trajectory Optimisation [24.101232487591094]
移動計画は、発生した軌道の関数としてコストを最小化する軌道最適化問題としてキャストすることができる。
近年のハードウェアの進歩により、複数の解が同時に得られる並列軌道最適化が可能になった。
本稿では, 並列軌道最適化のアルゴリズムを提案し, 解域の多様性を向上し, モード崩壊を回避する。
論文 参考訳(メタデータ) (2023-08-08T06:10:53Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳(メタデータ) (2021-03-26T02:42:33Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - An end-to-end data-driven optimisation framework for constrained
trajectories [4.73357470713202]
データ駆動アプローチを活用して、最適化問題のための新しいエンドツーエンドフレームワークを設計します。
我々は、航空と航路の2つの設定にアプローチを適用し、指令結果を得る。
論文 参考訳(メタデータ) (2020-11-24T00:54:17Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳(メタデータ) (2020-02-20T15:00:54Z)
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。