論文の概要: Global Search for Optimal Low Thrust Spacecraft Trajectories using Diffusion Models and the Indirect Method
- arxiv url: http://arxiv.org/abs/2501.07005v1
- Date: Mon, 13 Jan 2025 01:49:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:20:30.197610
- Title: Global Search for Optimal Low Thrust Spacecraft Trajectories using Diffusion Models and the Indirect Method
- Title(参考訳): 拡散モデルと間接法による最適低推力宇宙機軌道のグローバル探索
- Authors: Jannik Graebner, Ryne Beeson,
- Abstract要約: 長周期の低推力非線形最適宇宙船軌道グローバルサーチは、計算的かつ時間的に高価な問題である。
生成機械学習モデルは、条件パラメータに関して、ソリューション構造がどのように変化するかを学ぶために訓練することができる。
最先端拡散モデルは、グローバル検索フレームワーク内での軌道最適化のための間接的アプローチと統合される。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Long time-duration low-thrust nonlinear optimal spacecraft trajectory global search is a computationally and time expensive problem characterized by clustering patterns in locally optimal solutions. During preliminary mission design, mission parameters are subject to frequent changes, necessitating that trajectory designers efficiently generate high-quality control solutions for these new scenarios. Generative machine learning models can be trained to learn how the solution structure varies with respect to a conditional parameter, thereby accelerating the global search for missions with updated parameters. In this work, state-of-the-art diffusion models are integrated with the indirect approach for trajectory optimization within a global search framework. This framework is tested on two low-thrust transfers of different complexity in the circular restricted three-body problem. By generating and analyzing a training data set, we develop mathematical relations and techniques to understand the complex structures in the costate domain of locally optimal solutions for these problems. A diffusion model is trained on this data and successfully accelerates the global search for both problems. The model predicts how the costate solution structure changes, based on the maximum spacecraft thrust magnitude. Warm-starting a numerical solver with diffusion model samples for the costates at the initial time increases the number of solutions generated per minute for problems with unseen thrust magnitudes by one to two orders of magnitude in comparison to samples from a uniform distribution and from an adjoint control transformation.
- Abstract(参考訳): 長周期の低推力非線形最適宇宙船軌道グローバルサーチは、局所最適解におけるクラスタリングパターンを特徴とする計算的かつ時間的に高価な問題である。
予備的なミッション設計では、ミッションパラメータは頻繁に変更されるため、軌道設計者はこれらの新しいシナリオに対して効率よく高品質な制御ソリューションを生成する必要がある。
生成機械学習モデルは、条件パラメータに関して、ソリューション構造がどのように変化するかを学ぶために訓練され、それによって、更新されたパラメータによるミッションのグローバル検索が加速される。
本研究では,現在最先端拡散モデルと,グローバル検索フレームワーク内での軌道最適化の間接的アプローチを統合した。
このフレームワークは、円形に制限された3体問題において、異なる複雑さの2つの低スラスト転送で試験される。
学習データセットの生成と解析により,これらの問題に対する局所最適解のコスト領域における複雑な構造を理解する数学的関係と手法を開発する。
このデータに基づいて拡散モデルを訓練し,両問題のグローバル検索を高速化する。
このモデルは、宇宙船の最大推力の大きさに基づいて、コストのかかる溶液構造がどのように変化するかを予測する。
拡散モデルを用いた数値解法の初期値の算出は、一様分布と随伴制御変換からのサンプルと比較して1分あたり1~2桁の推力の問題を発生させる解数を増加させる。
関連論文リスト
- Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。
本研究ではまず,生成モデルの本質的な特徴について考察する。
本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文 参考訳(メタデータ) (2024-11-01T09:05:47Z) - Learning Optimal Control and Dynamical Structure of Global Trajectory Search Problems with Diffusion Models [0.5399800035598186]
本稿では,循環制限型3体問題における2つの大域的探索問題について検討する。
我々は、拡散モデルを適用して条件付き確率分布を学習するために、事前生成機械学習フレームワークを構築した。
論文 参考訳(メタデータ) (2024-10-03T20:35:23Z) - DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。
拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-08-13T07:56:21Z) - GlobalPointer: Large-Scale Plane Adjustment with Bi-Convex Relaxation [44.98626468432535]
平面調整は多くの3次元アプリケーションにおいて重要であり、同時にポーズ推定と平面の回復を伴う。
我々はtextitBi-Convex Relaxation と呼ばれる新しい最適化戦略を利用して、元の問題を2つのより単純なサブプロブレムに分解する。
平面調整問題であるtextitGlobalPointer と textitGlobalPointer++ の2つのアルゴリズム変種を提案する。
論文 参考訳(メタデータ) (2024-07-18T14:09:03Z) - DiffuSolve: Diffusion-based Solver for Non-convex Trajectory Optimization [9.28162057044835]
最適軌道局所は非線形および高次元力学系において計算コストが高い。
本稿では,非次元オプティマ問題に対するDiffuに基づく一般モデルを提案する。
また,新たな制約付き拡散モデルであるDiff+を提案する。
論文 参考訳(メタデータ) (2024-02-22T03:52:17Z) - Amortized Global Search for Efficient Preliminary Trajectory Design with
Deep Generative Models [1.1602089225841632]
予備軌道設計は、軌道最適化問題に対する複数の定性的異なる解を求める大域的問題である。
本稿では,AGS (Global Search) フレームワークを提案する。
提案手法は,Derustの5番目の機能と,低次円周制限3体問題を用いて評価した。
論文 参考訳(メタデータ) (2023-08-07T23:52:03Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Accelerating Inverse Learning via Intelligent Localization with
Exploratory Sampling [1.5976506570992293]
逆問題の解決は 物質と薬物発見の 長年の課題です
近年,逆問題の解法として深部生成モデルが提案されている。
逆学習を高速化する新しい手法(iPage)を提案する。
論文 参考訳(メタデータ) (2022-12-02T08:00:04Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳(メタデータ) (2022-04-16T08:08:29Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳(メタデータ) (2022-02-23T18:57:53Z) - 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。