論文の概要: Self-reconfiguration Strategies for Space-distributed Spacecraft

• arxiv url: http://arxiv.org/abs/2411.17137v1
• Date: Tue, 26 Nov 2024 06:05:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:34:00.153013
• Title: Self-reconfiguration Strategies for Space-distributed Spacecraft
• Title（参考訳）: 宇宙に分散した宇宙機のための自己再構成戦略
• Authors: Tianle Liu, Zhixiang Wang, Yongwei Zhang, Ziwei Wang, Zihao Liu, Yizhai Zhang, Panfeng Huang,
• Abstract要約: 本稿では、将来の宇宙船が軌道上で異なる機能を持つモジュールを組み立てられる分散軌道上の宇宙船組立アルゴリズムを提案する。 軌道上での軌道上での自己再構成アルゴリズムは、分散宇宙船の利点を実現する上で重要な役割を担っている。
• 参考スコア（独自算出の注目度）: 17.70060501010008
• License:
• Abstract: This paper proposes a distributed on-orbit spacecraft assembly algorithm, where future spacecraft can assemble modules with different functions on orbit to form a spacecraft structure with specific functions. This form of spacecraft organization has the advantages of reconfigurability, fast mission response and easy maintenance. Reasonable and efficient on-orbit self-reconfiguration algorithms play a crucial role in realizing the benefits of distributed spacecraft. This paper adopts the framework of imitation learning combined with reinforcement learning for strategy learning of module handling order. A robot arm motion algorithm is then designed to execute the handling sequence. We achieve the self-reconfiguration handling task by creating a map on the surface of the module, completing the path point planning of the robotic arm using A*. The joint planning of the robotic arm is then accomplished through forward and reverse kinematics. Finally, the results are presented in Unity3D.
• Abstract（参考訳）: 本稿では,軌道上の異なる機能を持つモジュールを軌道上に組み立てて,特定の機能を持つ宇宙船構造を構築可能な,分散軌道上の宇宙船組立アルゴリズムを提案する。 この形態の宇宙船組織は、再構成性、迅速なミッション応答、簡単なメンテナンスの利点がある。 軌道上での軌道上での自己再構成アルゴリズムは、分散宇宙船の利点を実現する上で重要な役割を担っている。 本稿では,モジュール処理順序の戦略学習において,模倣学習と強化学習を組み合わせた枠組みを採用する。 ロボットアームの動作アルゴリズムは、ハンドリングシーケンスを実行するように設計されている。 モジュール表面の地図を作成し,A*を用いてロボットアームの経路点計画を完成させ,自己再構成処理を行う。 ロボットアームのジョイントプランニングは、前方と逆運動学によって達成される。 最後に、結果はUnity3Dで示される。

関連論文リスト

• A Learning System for Motion Planning of Free-Float Dual-Arm Space Manipulator towards Non-Cooperative Object [13.289739243378245]
  本研究では,FFDASM(フリーフロート・デュアルアーム・スペース・マニピュレータ)の非協調物体に対する運動計画学習システムを提案する。 モジュールIは、大きなターゲット空間内の2つのエンドエフェクタに対するマルチターゲット軌道計画を実現する。 モジュールIIは、非協調対象の点雲を入力として運動特性を推定し、非協調対象の目標点の位置を予測する。
  論文  参考訳（メタデータ） (2022-07-06T06:22:34Z)
• 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)
• Comparing SONN Types for Efficient Robot Motion Planning in the Configuration Space [0.0]
  自己組織化ニューラルネットワーク(SONN)とその有名な候補である自己組織化マップは、Cスペース削減に有用なツールであることが証明されている。 我々は,従来の研究を追加モデルで拡張し,人間の動作データからロボットの運動学へのアプローチを適用した。
  論文  参考訳（メタデータ） (2022-03-18T12:47:49Z)
• Graph-based Reinforcement Learning meets Mixed Integer Programs: An application to 3D robot assembly discovery [34.25379651790627]
  我々は、テトリスのような構造ブロックとロボットマニピュレータを用いて、スクラッチから完全に定義済みの任意のターゲット構造を構築するという課題に対処する。 我々の新しい階層的アプローチは、タスク全体を相互に利益をもたらす3つの実行可能なレベルに効率的に分解することを目的としています。
  論文  参考訳（メタデータ） (2022-03-08T14:44:51Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Hierarchical Reinforcement Learning Framework for Stochastic Spaceflight Campaign Design [5.381116150823982]
  本稿では,宇宙飛行計画のための階層的強化学習アーキテクチャを不確実性下で開発する。 本手法は,不確実な資源利用(ISRU)性能を有する,月面探査の一連のシナリオに適用する。
  論文  参考訳（メタデータ） (2021-03-16T11:17:02Z)
• Machine Learning-Based Automated Design Space Exploration for Autonomous Aerial Robots [55.056709056795206]
  自律飛行ロボットのためのドメイン固有のアーキテクチャの構築は、オンボードコンピューティングを設計するための体系的な方法論が欠如しているため、難しい。 F-1ルーフラインと呼ばれる新しいパフォーマンスモデルを導入し、アーキテクトがバランスの取れたコンピューティングシステムを構築する方法を理解するのを助ける。 サイバー物理設計空間を自動でナビゲートするために、AutoPilotを導入します。
  論文  参考訳（メタデータ） (2021-02-05T03:50:54Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)
• 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)
• Jump Operator Planning: Goal-Conditioned Policy Ensembles and Zero-Shot Transfer [71.44215606325005]
  本稿では,シーケンシャルなサブゴールタスクの超指数空間における解を高速に計算するための,Jump-Operator Dynamic Programmingという新しいフレームワークを提案する。 このアプローチでは、時間的に拡張された行動として機能する、再利用可能な目標条件付き警察のアンサンブルを制御する。 すると、この部分空間上の目的関数のクラスを、解がグラウンド化に不変であるものとして特定し、最適ゼロショット移動をもたらす。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)
• Latent Space Roadmap for Visual Action Planning of Deformable and Rigid Object Manipulation [74.88956115580388]
  プランニングは、イメージを埋め込んだ低次元の潜在状態空間で行われる。 我々のフレームワークは2つの主要なコンポーネントで構成されており、画像のシーケンスとして視覚的な計画を生成するビジュアル・フォレスト・モジュール(VFM)と、それら間のアクションを予測するアクション・プロポーザル・ネットワーク(APN)である。
  論文  参考訳（メタデータ） (2020-03-19T18:43:26Z)

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。