論文の概要: EclipseNETs: Learning Irregular Small Celestial Body Silhouettes

• arxiv url: http://arxiv.org/abs/2504.04455v1
• Date: Sun, 06 Apr 2025 11:51:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:13:18.719851
• Title: EclipseNETs: Learning Irregular Small Celestial Body Silhouettes
• Title（参考訳）: EclipseNETs: 不規則な小さなセレスタルボディシルエットを学習する
• Authors: Giacomo Acciarini, Dario Izzo, Francesco Biscani,
• Abstract要約: 不規則な小さな天体を取り巻く日食の正確な予測は、宇宙船の航法、軌道決定、宇宙船システム管理に不可欠である。 本稿では,日食条件を効率的にかつ確実にモデル化するために,ニューラルな暗黙表現を活用する新しいアプローチを提案する。 ベンヌ、伊藤川、67P/Churyumov-Gerasimenko、Erosの4体で試験された。
• 参考スコア（独自算出の注目度）: 4.868863044142366
• License:
• Abstract: Accurately predicting eclipse events around irregular small bodies is crucial for spacecraft navigation, orbit determination, and spacecraft systems management. This paper introduces a novel approach leveraging neural implicit representations to model eclipse conditions efficiently and reliably. We propose neural network architectures that capture the complex silhouettes of asteroids and comets with high precision. Tested on four well-characterized bodies - Bennu, Itokawa, 67P/Churyumov-Gerasimenko, and Eros - our method achieves accuracy comparable to traditional ray-tracing techniques while offering orders of magnitude faster performance. Additionally, we develop an indirect learning framework that trains these models directly from sparse trajectory data using Neural Ordinary Differential Equations, removing the requirement to have prior knowledge of an accurate shape model. This approach allows for the continuous refinement of eclipse predictions, progressively reducing errors and improving accuracy as new trajectory data is incorporated.
• Abstract（参考訳）: 不規則な小さな天体を取り巻く日食の正確な予測は、宇宙船の航法、軌道決定、宇宙船システム管理に不可欠である。 本稿では,日食条件を効率的にかつ確実にモデル化するために,ニューラルな暗黙表現を活用する新しいアプローチを提案する。 本研究では,小惑星や彗星の複雑なシルエットを高精度に捉えるニューラルネットワークアーキテクチャを提案する。 Bennu, Itokawa, 67P/Churyumov-Gerasimenko, Erosの4つの優れた体で実験を行い, 精度は従来のレイトレーシング技術に匹敵するが, 精度は桁違いに速い。 さらに、ニューラル正規微分方程式を用いて、これらのモデルをスパース軌道データから直接訓練する間接学習フレームワークを開発し、正確な形状モデルの事前知識を必要としない。 このアプローチは、日食予測の継続的な改善を可能にし、エラーを段階的に削減し、新しい軌道データが組み込まれるにつれて精度を向上する。

関連論文リスト

• Diffusion Policies for Generative Modeling of Spacecraft Trajectories [1.2074552857379275]
  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。
  論文  参考訳（メタデータ） (2025-01-01T18:22:37Z)
• Magnetic Field Data Calibration with Transformer Model Using Physical Constraints: A Scalable Method for Satellite Missions, Illustrated by Tianwen-1 [3.4775479922416292]
  本研究は、天wen-1火星ミッションの磁場データ補正と、マクスウェル方程式に制約されたニューラルネットワークアーキテクチャを統合する新しいアプローチを提案する。 トランスフォーマーモデルを用いることで、衛星力学、機器干渉、環境騒音による計測異常を補正する。
  論文  参考訳（メタデータ） (2024-12-16T11:35:40Z)
• Edge-Cloud Collaborative Satellite Image Analysis for Efficient Man-Made Structure Recognition [2.110762118285028]
  本稿では,エッジとクラウドコンピューティングを組み合わせた新しい衛星画像処理アーキテクチャを提案する。 エッジに軽量モデルを採用することで、当初は衛星画像から人造構造を特定できる。 これらの識別された画像はクラウドに送信され、より複雑なモデルによって分類が洗練される。
  論文  参考訳（メタデータ） (2024-10-08T03:31:32Z)
• Data-driven Probabilistic Trajectory Learning with High Temporal Resolution in Terminal Airspace [9.688760969026305]
  混合モデルとSeq2seqに基づくニューラルネットワークの予測および特徴抽出機能を活用するデータ駆動学習フレームワークを提案する。 このフレームワークでトレーニングした後、学習したモデルは長期予測精度を大幅に向上させることができる。 提案手法の精度と有効性は,予測された軌道と基礎的真実とを比較して評価する。
  論文  参考訳（メタデータ） (2024-09-25T21:08:25Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
  クラスに依存しない動き予測法は点雲全体の動きを直接予測する。 既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
  論文  参考訳（メタデータ） (2024-03-20T02:58:45Z)
• TrajectoryNAS: A Neural Architecture Search for Trajectory Prediction [0.0]
  軌道予測は自律走行システムの重要な構成要素である。 本稿では,軌道予測にポイントクラウドデータを活用する先駆的手法であるTrajectoryNASを紹介する。
  論文  参考訳（メタデータ） (2024-03-18T11:48:41Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)

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。