論文の概要: AQ-PCDSys: An Adaptive Quantized Planetary Crater Detection System for Autonomous Space Exploration
- arxiv url: http://arxiv.org/abs/2508.18025v1
- Date: Mon, 25 Aug 2025 13:44:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.798406
- Title: AQ-PCDSys: An Adaptive Quantized Planetary Crater Detection System for Autonomous Space Exploration
- Title（参考訳）: AQ-PCDSys:自律宇宙探査のための適応型量子プラネタリークレーター検出システム
- Authors: Aditri Paul, Archan Paul,
- Abstract要約: 本稿では,アダプティブ量子化惑星クレーター検出システム(AQ-PCDSys)を紹介する。
AQ-PCDSysは量子化ニューラルネットワーク(QNN)アーキテクチャを統合し、量子化認識トレーニング(QAT)を用いてトレーニングする
AMFモジュールは、光学画像(OI)とDEM(Digital Elevation Models)のデータを特徴レベルでインテリジェントに融合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Autonomous planetary exploration missions are critically dependent on real-time, accurate environmental perception for navigation and hazard avoidance. However, deploying deep learning models on the resource-constrained computational hardware of planetary exploration platforms remains a significant challenge. This paper introduces the Adaptive Quantized Planetary Crater Detection System (AQ-PCDSys), a novel framework specifically engineered for real-time, onboard deployment in the computationally constrained environments of space exploration missions. AQ-PCDSys synergistically integrates a Quantized Neural Network (QNN) architecture, trained using Quantization-Aware Training (QAT), with an Adaptive Multi-Sensor Fusion (AMF) module. The QNN architecture significantly optimizes model size and inference latency suitable for real-time onboard deployment in space exploration missions, while preserving high accuracy. The AMF module intelligently fuses data from Optical Imagery (OI) and Digital Elevation Models (DEMs) at the feature level, utilizing an Adaptive Weighting Mechanism (AWM) to dynamically prioritize the most relevant and reliable sensor modality based on planetary ambient conditions. This approach enhances detection robustness across diverse planetary landscapes. Paired with Multi-Scale Detection Heads specifically designed for robust and efficient detection of craters across a wide range of sizes, AQ-PCDSys provides a computationally efficient, reliable and accurate solution for planetary crater detection, a critical capability for enabling the next generation of autonomous planetary landing, navigation, and scientific exploration.
- Abstract（参考訳）: 自律的な惑星探査ミッションは、航法と危険回避のためのリアルタイムで正確な環境認識に極めて依存している。
しかし、惑星探査プラットフォームの資源制約された計算ハードウェアにディープラーニングモデルをデプロイすることは、依然として大きな課題である。
本稿では,宇宙探査ミッションの計算制約下でのリアルタイム・オンボード展開に特化して設計された新しいフレームワークであるAdaptive Quantized Planetary Crater Detection System (AQ-PCDSys)を紹介する。
AQ-PCDSysは、QAT(Quantization-Aware Training)を使用してトレーニングされた量子ニューラルネットワーク(Quantized Neural Network, QNN)アーキテクチャと、適応型マルチセンサーフュージョン(Adaptive Multi-Sensor Fusion,AMF)モジュールを相乗的に統合する。
QNNアーキテクチャは、高精度を保ちながら、宇宙探査ミッションにおけるリアルタイムのオンボード展開に適したモデルサイズと推論遅延を著しく最適化する。
AMFモジュールは、AWM(Adaptive Weighting Mechanism)を利用して、光学画像(OI)とDEM(Digital Elevation Models)のデータを特徴レベルでインテリジェントに融合し、惑星の環境条件に基づいて最も関連性があり信頼性の高いセンサーモードを動的に優先順位付けする。
このアプローチは、多様な惑星の地形におけるロバスト性の検出を促進する。
AQ-PCDSysは、幅広い大きさのクレーターの堅牢かつ効率的な検出のために特別に設計されたマルチスケール検出ヘッドを備えており、計算的に効率的で信頼性が高く正確なクレーター検出ソリューションを提供し、次世代の自律惑星着陸、ナビゲーション、科学探査を可能にする重要な能力を提供する。
関連論文リスト
- An Edge AI Solution for Space Object Detection [29.817805350971366]
宇宙物体検出タスクのための深層学習に基づく視覚センシングに基づくエッジAIソリューションを提案する。
我々は,これらのモデルの性能を,様々な現実的な空間オブジェクト検出シナリオで評価する。
論文 参考訳（メタデータ） (2025-05-08T14:51:19Z) - Adaptive PCA-Based Outlier Detection for Multi-Feature Time Series in Space Missions [0.0]
特徴量削減のための主成分分析(PCA)の再構成誤差に基づく適応型外乱検出アルゴリズムを提案する。
我々は,NASAのMMSミッション観測を通して,宇宙環境,昼と夜の過渡現象,遷移層などの宇宙プラズマ事象を検出するアルゴリズムの有効性を実証した。
論文 参考訳（メタデータ） (2025-04-22T12:42:38Z) - Vision-Based Detection of Uncooperative Targets and Components on Small Satellites [6.999319023465766]
宇宙デブリと不活性衛星は、運用宇宙船の安全性と完全性に脅威をもたらす。
コンピュータビジョンモデルの最近の進歩は、そのような非協調的な目標を追跡する既存の方法を改善するために利用することができる。
本稿では,これらの物体を学習とコンピュータビジョンを用いて識別・監視する自律検出モデルを提案する。
論文 参考訳（メタデータ） (2024-08-22T02:48:13Z) - A Comparison of Deep Learning Architectures for Spacecraft Anomaly Detection [0.138120109831448]
本研究では,宇宙船データの異常検出における各種ディープラーニングアーキテクチャの有効性を比較することを目的とする。
調査中のモデルには、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)ネットワーク、Transformerベースのアーキテクチャなどがある。
論文 参考訳（メタデータ） (2024-03-19T16:08:27Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense
Forest Canopy [48.51396198176273]
本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。
我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。
ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
論文 参考訳（メタデータ） (2021-09-14T07:24:53Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。