論文の概要: Learning-Based Planning for Improving Science Return of Earth Observation Satellites

• arxiv url: http://arxiv.org/abs/2509.07997v1
• Date: Fri, 05 Sep 2025 13:11:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.186188
• Title: Learning-Based Planning for Improving Science Return of Earth Observation Satellites
• Title（参考訳）: 地球観測衛星のサイエンスリターン向上のための学習型プランニング
• Authors: Abigail Breitfeld, Alberto Candela, Juan Delfa, Akseli Kangaslahti, Itai Zilberstein, Steve Chien, David Wettergreen,
• Abstract要約: 地球観測衛星は、地球に関する科学的情報を収集するための強力なツールである。 これらの衛星は、収集したデータを最適化し、最も重要または情報的な測定のみを含むことが重要である。 動的ターゲティングには,強化学習と模倣学習の2つの異なるアプローチを提案する。
• 参考スコア（独自算出の注目度）: 3.226582004602209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth observing satellites are powerful tools for collecting scientific information about our planet, however they have limitations: they cannot easily deviate from their orbital trajectories, their sensors have a limited field of view, and pointing and operating these sensors can take a large amount of the spacecraft's resources. It is important for these satellites to optimize the data they collect and include only the most important or informative measurements. Dynamic targeting is an emerging concept in which satellite resources and data from a lookahead instrument are used to intelligently reconfigure and point a primary instrument. Simulation studies have shown that dynamic targeting increases the amount of scientific information gathered versus conventional sampling strategies. In this work, we present two different learning-based approaches to dynamic targeting, using reinforcement and imitation learning, respectively. These learning methods build on a dynamic programming solution to plan a sequence of sampling locations. We evaluate our approaches against existing heuristic methods for dynamic targeting, showing the benefits of using learning for this application. Imitation learning performs on average 10.0\% better than the best heuristic method, while reinforcement learning performs on average 13.7\% better. We also show that both learning methods can be trained effectively with relatively small amounts of data.
• Abstract（参考訳）: 地球観測衛星は、地球に関する科学的情報を収集するための強力なツールであるが、これらの衛星には制限がある。 これらの衛星は、収集したデータを最適化し、最も重要または情報的な測定のみを含むことが重要である。 ダイナミックターゲティングは、衛星資源とルックアヘッド機器からのデータをインテリジェントに再構成し、プライマリ機器を指し示すという新しい概念である。 シミュレーション研究により、動的ターゲティングは従来のサンプリング戦略に比べて、収集された科学的情報の量を増やすことが示されている。 本研究では,強化学習と模倣学習という,動的ターゲティングに対する学習に基づく2つのアプローチを提案する。 これらの学習方法は、動的プログラミングソリューションに基づいて、サンプリング位置のシーケンスを計画する。 動的ターゲティングのための既存のヒューリスティック手法に対する我々のアプローチを評価し,本アプリケーションにおける学習のメリットを示す。 模倣学習は最高のヒューリスティック法よりも平均10.0\%良く、強化学習は平均13.7\%良い。 また,2つの学習手法が比較的少ないデータで効果的に学習できることも示した。

関連論文リスト

• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Reward Finetuning for Faster and More Accurate Unsupervised Object Discovery [64.41455104593304]
  Reinforcement Learning from Human Feedback (RLHF)は、機械学習モデルを改善し、それを人間の好みに合わせる。 本稿では,RL法と類似した手法を非教師対象発見に適用することを提案する。 私たちは、我々のアプローチがより正確であるだけでなく、訓練よりも桁違いに高速であることを示した。
  論文  参考訳（メタデータ） (2023-10-29T17:03:12Z)
• Low-Thrust Orbital Transfer using Dynamics-Agnostic Reinforcement Learning [0.0]
  本研究では,低推力中軌道衛星を対象としたモデルフリー強化学習を用いてエージェントを訓練する。 訓練されたエージェントは、軌道を設計し、巡航中に衛星を自律的に制御するために使用される。
  論文  参考訳（メタデータ） (2022-10-06T08:36:35Z)
• Exploring Sub-skeleton Trajectories for Interpretable Recognition of Sign Language [2.1178416840822027]
  我々は手話語を正確に認識する問題について研究する。 本手法は, サブスケルトンの運動面と呼ばれる幾何学的特徴空間を探索する。 驚いたことに、我々の単純な手法は、最近の最先端のアプローチよりも手話認識を改善する。
  論文  参考訳（メタデータ） (2022-02-03T03:32:28Z)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• Model Optimization for Deep Space Exploration via Simulators and Deep Learning [0.0]
  ニューラルネットワークを用いた深層学習の応用を探索し、天体の検出を自動化します。 画像を取得して分析し、重要なものを返送する能力は、帯域制限のあるアプリケーションでは重要です。 複数のモデルアーキテクチャにおいて、比較的小さなトレーニングセットであっても、達成された最大精度が98%以上に達することが示される。
  論文  参考訳（メタデータ） (2020-12-28T04:36:09Z)
• Active learning with RESSPECT: Resource allocation for extragalactic astronomical transients [41.74772877196879]
  RESSPECTプロジェクトは、Rubin Observatory Legacy Survey of Space and Timeのために最適化されたトレーニングサンプルを構築することを目的としている。 我々は,現実的なシミュレートされた天文学的データシナリオにおいて,能動的学習技術の堅牢性をテストする。
  論文  参考訳（メタデータ） (2020-10-12T18:04:04Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。