論文の概要: A causal learning approach to in-orbit inertial parameter estimation for multi-payload deployers

• arxiv url: http://arxiv.org/abs/2501.14824v1
• Date: Tue, 21 Jan 2025 16:37:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:53:47.698028
• Title: A causal learning approach to in-orbit inertial parameter estimation for multi-payload deployers
• Title（参考訳）: マルチペイロード・デプロイのための軌道内慣性パラメータ推定のための因果学習手法
• Authors: Konstantinos Platanitis, Miguel Arana-Catania, Saurabh Upadhyay, Leonard Felicetti,
• Abstract要約: 本稿では,貨物輸送宇宙船の慣性パラメータ推定手法について論じる。 これは因果学習、すなわち、アクティベーション中の宇宙船の反応から学ぶことに基づいている。
• 参考スコア（独自算出の注目度）: 0.5416466085090772
• License:
• Abstract: This paper discusses an approach to inertial parameter estimation for the case of cargo carrying spacecraft that is based on causal learning, i.e. learning from the responses of the spacecraft, under actuation. Different spacecraft configurations (inertial parameter sets) are simulated under different actuation profiles, in order to produce an optimised time-series clustering classifier that can be used to distinguish between them. The actuation is comprised of finite sequences of constant inputs that are applied in order, based on typical actuators available. By learning from the system's responses across multiple input sequences, and then applying measures of time-series similarity and F1-score, an optimal actuation sequence can be chosen either for one specific system configuration or for the overall set of possible configurations. This allows for both estimation of the inertial parameter set without any prior knowledge of state, as well as validation of transitions between different configurations after a deployment event. The optimisation of the actuation sequence is handled by a reinforcement learning model that uses the proximal policy optimisation (PPO) algorithm, by repeatedly trying different sequences and evaluating the impact on classifier performance according to a multi-objective metric.
• Abstract（参考訳）: 本稿では,宇宙船の作動時の応答から学習する因果学習に基づく貨物輸送宇宙船の慣性パラメータ推定手法について論じる。 異なる宇宙船の構成(慣性パラメータセット)は異なるアクチュエータプロファイルの下でシミュレートされ、それらの区別に使用できる最適化された時系列クラスタリング分類器を生成する。 アクチュエータは、利用可能な典型的なアクチュエータに基づいて、順番に適用される定数入力の有限列で構成されている。 複数の入力シーケンスにまたがるシステムの応答から学習し、時系列の類似度とF1スコアの尺度を適用することで、最適なアクティベーションシーケンスを1つの特定のシステム構成または可能な構成の全体に対して選択することができる。 これにより、状態に関する事前の知識のない慣性パラメータセットの推定と、デプロイメントイベント後の異なる構成間の遷移の検証の両方が可能になる。 アクティベーションシーケンスの最適化は、PPOアルゴリズムを用いた強化学習モデルにより処理され、異なるシーケンスを繰り返し試行し、多目的メトリックによる分類器のパフォーマンスへの影響を評価する。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Spacecraft inertial parameters estimation using time series clustering and reinforcement learning [0.504868948270058]
  本稿では,その操作中に変化した場合に,宇宙船の慣性パラメータを推定する機械学習手法を提案する。 提案手法の性能は, マルチサテライト配置システムの場合に対して評価され, アルゴリズムはそのような操作において, 一般的な障害に対する耐性を示す。
  論文  参考訳（メタデータ） (2024-08-06T20:53:02Z)
• A Unified Gaussian Process for Branching and Nested Hyperparameter Optimization [19.351804144005744]
  ディープラーニングでは、条件に依存したパラメータのチューニングが一般的に行われている。 新しいGPモデルでは、新しいカーネル関数を通じて入力変数間の依存構造が説明される。 ニューラルネットワークの一連の合成シミュレーションおよび実データ応用において、高い予測精度とより良い最適化効率が観察される。
  論文  参考訳（メタデータ） (2024-01-19T21:11:32Z)
• Multi-Weight Ranking for Multi-Criteria Decision Making [0.0]
  統計値からコーン分布関数を多基準決定ツールに変換する。 ランキング関数はその後拡張され、設定された好みに対する一元的な指標が提供される。 機械学習の潜在的な応用について概説する。
  論文  参考訳（メタデータ） (2023-12-04T11:13:42Z)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• Hierarchical Collaborative Hyper-parameter Tuning [0.0]
  ハイパーパラメータチューニングは、機械学習ソリューションを構築する上で最も重要なステージのひとつだ。 本稿では,マルチエージェントシステムを用いて近似値を決定する分散手法を提案する。
  論文  参考訳（メタデータ） (2022-05-11T05:16:57Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Learning Stochastic Optimal Policies via Gradient Descent [17.9807134122734]
  学習に基づく最適制御処理(SOC)を体系的に開発する。 本稿では, 微分方程式に対する随伴感度の導出について, 変分計算の直接適用により提案する。 本稿では,比例トランザクションコストを伴う連続時間有限地平線ポートフォリオ最適化における提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-07T16:43:07Z)
• Policy Analysis using Synthetic Controls in Continuous-Time [101.35070661471124]
  因果推論における手法開発において, 合成制御を用いた因果推定は最も成功した手法の1つである。 本稿では,制御された微分方程式の定式化を明示的に用い,潜在反事実経路をモデル化する連続時間代替法を提案する。
  論文  参考訳（メタデータ） (2021-02-02T16:07:39Z)
• Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
  暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。 本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2020-12-12T22:10:15Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。