論文の概要: An energy-efficient learning solution for the Agile Earth Observation Satellite Scheduling Problem

• arxiv url: http://arxiv.org/abs/2503.04803v1
• Date: Mon, 03 Mar 2025 12:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 15:56:57.731351
• Title: An energy-efficient learning solution for the Agile Earth Observation Satellite Scheduling Problem
• Title（参考訳）: アジャイル地球観測衛星スケジューリング問題に対するエネルギー効率のよい学習ソリューション
• Authors: Antonio M. Mercado-Martínez, Beatriz Soret, Antonio Jurado-Navas,
• Abstract要約: Agile Earth Observation Satellite Scheduling Problem (AEOSSP) は、衛星の軌道に沿って計画される観測対象のサブセットを見つけることである。 本稿では,AEOSSPの時間依存的利益に対処するためのDep Reinforcement Learning (DRL)アプローチを提案する。 その結果,提案アルゴリズムは品質要件を満たすことができない画像のキャプチャを60%以上削減し,その結果,姿勢操作によるエネルギー浪費を最大78%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 5.8700233733489515
• License:
• Abstract: The Agile Earth Observation Satellite Scheduling Problem (AEOSSP) entails finding the subset of observation targets to be scheduled along the satellite's orbit while meeting operational constraints of time, energy and memory. The problem of deciding what and when to observe is inherently complex, and becomes even more challenging when considering several issues that compromise the quality of the captured images, such as cloud occlusion, atmospheric turbulence, and image resolution. This paper presents a Deep Reinforcement Learning (DRL) approach for addressing the AEOSSP with time-dependent profits, integrating these three factors to optimize the use of energy and memory resources. The proposed method involves a dual decision-making process: selecting the sequence of targets and determining the optimal observation time for each. Our results demonstrate that the proposed algorithm reduces the capture of images that fail to meet quality requirements by > 60% and consequently decreases energy waste from attitude maneuvers by up to 78%, all while maintaining strong observation performance.
• Abstract（参考訳）: Agile Earth Observation Satellite Scheduling Problem (AEOSSP) は、時間、エネルギー、記憶の運用上の制約を満たしながら、衛星の軌道に沿って計画される観測対象のサブセットを見つけることを必要とする。 雲の閉塞、大気の乱流、画像の解像度といった、捕獲された画像の品質を損なういくつかの問題を考えると、何といつ観察するかという問題は本質的に複雑であり、さらに困難になる。 本稿では,AEOSSPの時間依存的利益に対処するためのDep Reinforcement Learning (DRL) アプローチを提案する。 提案手法は,目標の順序を選択し,それぞれに最適な観測時間を決定するという2つの意思決定プロセスを含む。 提案アルゴリズムは, 品質要件を満たすことができない画像のキャプチャを60%以上削減し, その結果, 高い観測性能を維持しつつ, 姿勢操作によるエネルギー浪費を最大78%削減することを示した。

関連論文リスト

• Low-altitude Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.72954660774002]
  低地球軌道(LEO)衛星は、海上無線通信で広範囲にわたるデータ通信を支援するために使用できる。 LEO衛星を広範囲にカバーし、チャネルの開放性と組み合わせることで、通信プロセスはセキュリティ上のリスクに悩まされる可能性がある。 本稿では無人航空機による低高度衛星通信システムLEOについて述べる。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
  衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。 本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:57:45Z)
• Earth Observation Satellite Scheduling with Graph Neural Networks [1.1684839631276702]
  本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)に基づく観測結果の選択とスケジューリングを行う新しい手法を提案する。 シミュレーションにより,より大規模な実世界のインスタンスに一般化し,従来の手法と比較して非常に競争力のある性能で学習できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-27T13:10:26Z)
• Multi-strip observation scheduling problem for ac-tive-imaging agile earth observation satellites [0.0]
  能動画像型地球観測衛星(MOSP)のマルチストリップ観測スケジューリング問題について検討する。 適応的大近傍探索アルゴリズム (ALNS) と非支配的ソート遺伝的アルゴリズム (NSGA-II) の組合せ力を統合した適応的二目的メメティクスアルゴリズムとともに、二目的最適化モデルを示す。 我々のモデルは既存のモデルよりも多用途であり、応用問題解決の能力を高める。
  論文  参考訳（メタデータ） (2022-07-04T08:35:57Z)
• Three multi-objective memtic algorithms for observation scheduling problem of active-imaging AEOS [0.0]
  可変画像長(OSWVID)を持つAEOSの観測スケジューリング問題として,この新たな問題を提唱する。 二目的最適化モデルとしてOSWVIDを構築するために,累積画質と詳細なエネルギー消費を提案する。 次に、OSWVIDを解くために、PD+NSGA-II、LANSGA-II、ALNS+NSGA-IIの3つの多目的メメティックアルゴリズムが設計される。
  論文  参考訳（メタデータ） (2022-07-04T08:18:54Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• Robust and Precise Facial Landmark Detection by Self-Calibrated Pose Attention Network [73.56802915291917]
  より堅牢で正確な顔のランドマーク検出を実現するための半教師付きフレームワークを提案する。 より効果的な顔形状制約をモデル化するために,境界対応ランドマーク強度(BALI)フィールドを提案する。 自己キャリブレーション・ポース・アテンション(SCPA)モデルは、中間的監督を強制する自己学習型目標関数を提供するように設計されている。
  論文  参考訳（メタデータ） (2021-12-23T02:51:08Z)
• A Maximum Independent Set Method for Scheduling Earth Observing Satellite Constellations [41.013477422930755]
  本稿では,衛星スケジューリング問題の解法として,実現不可能なグラフ表現を生成する手法を提案する。 光衛星のスカイサット星座と、最大24個の衛星のシミュレートされた星座の、要求された最大10,000の撮像位置のシナリオでテストされている。
  論文  参考訳（メタデータ） (2020-08-15T19:32:21Z)
• Bottom-up mechanism and improved contract net protocol for the dynamic task planning of heterogeneous Earth observation resources [61.75759893720484]
  地球観測資源は、災害救助、被害評価、関連する領域においてますます不可欠になりつつある。 観測要求の変更や悪天候の発生、資源の失敗など、予測できない多くの要因は、スケジュールされた観測計画が実行不可能になる可能性がある。 不均質な地球観測資源の動的タスク計画を容易にするため、ボトムアップ分散協調フレームワークと改良された契約網を提案する。
  論文  参考訳（メタデータ） (2020-07-13T03:51:08Z)
• Simulated annealing based heuristic for multiple agile satellites scheduling under cloud coverage uncertainty [1.100580615194563]
  アジャイル衛星は、より強力な姿勢操作能力を持つ新世代の地球観測衛星(EOS)である。 私たちは、クラウドカバレッジの不確実性の下で、複数のアジャイルEOSスケジューリング問題に最初に取り組みました。 大規模観測ミッションにおいて高速挿入戦略を併用した模擬焼鈍を改良した。
  論文  参考訳（メタデータ） (2020-03-14T16:37:26Z)

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。