論文の概要: Diffusion Policies for Generative Modeling of Spacecraft Trajectories

• arxiv url: http://arxiv.org/abs/2501.00915v1
• Date: Wed, 01 Jan 2025 18:22:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:11:44.753167
• Title: Diffusion Policies for Generative Modeling of Spacecraft Trajectories
• Title（参考訳）: 宇宙機軌道生成のための拡散政策
• Authors: Julia Briden, Breanna Johnson, Richard Linares, Abhishek Cauligi,
• Abstract要約: トラジェクトリ生成のための現在の機械学習ベースの方法における重要な欠点は、大きなデータセットを必要とすることである。 本研究では,構成拡散モデルを用いて分布外データに効率よく適応する。 推定時間6DoF最小着陸地点選択のための構成拡散モデルの有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.2074552857379275
• License:
• Abstract: Machine learning has demonstrated remarkable promise for solving the trajectory generation problem and in paving the way for online use of trajectory optimization for resource-constrained spacecraft. However, a key shortcoming in current machine learning-based methods for trajectory generation is that they require large datasets and even small changes to the original trajectory design requirements necessitate retraining new models to learn the parameter-to-solution mapping. In this work, we leverage compositional diffusion modeling to efficiently adapt out-of-distribution data and problem variations in a few-shot framework for 6 degree-of-freedom (DoF) powered descent trajectory generation. Unlike traditional deep learning methods that can only learn the underlying structure of one specific trajectory optimization problem, diffusion models are a powerful generative modeling framework that represents the solution as a probability density function (PDF) and this allows for the composition of PDFs encompassing a variety of trajectory design specifications and constraints. We demonstrate the capability of compositional diffusion models for inference-time 6 DoF minimum-fuel landing site selection and composable constraint representations. Using these samples as initial guesses for 6 DoF powered descent guidance enables dynamically feasible and computationally efficient trajectory generation.
• Abstract（参考訳）: 機械学習は、軌道生成問題の解決と、資源制約された宇宙船の軌道最適化のオンライン利用の道を開くという、驚くべき可能性を実証している。 しかし、現在の機械学習ベースのトラジェクトリ生成法における重要な欠点は、パラメータ・ツー・ソリューションマッピングを学ぶために新しいモデルをトレーニングする必要のある、大きなデータセットとオリジナルのトラジェクトリ設計要求への小さな変更を必要とすることである。 本研究では,コンポジション拡散モデルを用いて,自由度6自由度(DoF)を用いた降下軌道生成のための数ショットフレームワークにおいて,分布外データと問題変動を効率的に適用する。 特定の軌道最適化問題の基盤構造のみを学習できる従来のディープラーニング手法とは異なり、拡散モデルは確率密度関数(PDF)として解を表す強力な生成モデリングフレームワークであり、様々な軌道設計仕様や制約を含むPDFの構成を可能にする。 Inference-time 6 DoF minimum-fuel landing site selection and composable constraint representationsに対する合成拡散モデルの有効性を示す。 これらのサンプルを6DoFによる降下誘導の最初の推定値として用いることで、動的に実現可能で計算効率の良い軌道生成が可能となる。

関連論文リスト

• Compositional Diffusion Models for Powered Descent Trajectory Generation with Flexible Constraints [24.530914372991273]
  TrajDiffuserは、組成拡散に基づくフレキシブルかつ並列な軌道生成器である。 シミュレーションされた最適軌道のデータセットのマルチモーダル分布を学習する。 推論中、軌道は時間とともに同時に生成され、安定した長距離計画が提供される。
  論文  参考訳（メタデータ） (2024-10-05T18:47:50Z)
• Guided Trajectory Generation with Diffusion Models for Offline Model-based Optimization [19.228156994045587]
  高速領域への軌道生成のための条件付き生成モデリング手法を提案する。 実験の結果,本手法はデザインベンチの競争基準よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-29T06:12:36Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Phasic Content Fusing Diffusion Model with Directional Distribution Consistency for Few-Shot Model Adaption [73.98706049140098]
  本稿では,方向分布の整合性を損なう少数ショット拡散モデルを用いた新しいファシックコンテンツを提案する。 具体的には、ファシックコンテンツ融合を用いたファシックトレーニング戦略を設計し、tが大きければ、モデルがコンテンツやスタイル情報を学ぶのに役立てる。 最後に、ドメイン適応時の構造整合性を高めるクロスドメイン構造ガイダンス戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-07T14:14:11Z)
• Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
  本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。 提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。 この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:16:07Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• SE(3)-DiffusionFields: Learning smooth cost functions for joint grasp and motion optimization through diffusion [34.25379651790627]
  本研究では,データ駆動型SE(3)コスト関数を拡散モデルとして学習する手法を提案する。 我々は6DoFグルーピングのためのSE(3)拡散モデルの学習に重点を置いており、関節グルーピングと運動最適化のための新しい枠組みを生み出している。
  論文  参考訳（メタデータ） (2022-09-08T14:50:23Z)
• Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
  我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。 我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
  論文  参考訳（メタデータ） (2022-05-20T07:02:03Z)
• Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels [67.81799703916563]
  低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。 提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
  論文  参考訳（メタデータ） (2021-05-10T17:42:01Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。