論文の概要: Adaptive Science Operations in Deep Space Missions Using Offline Belief State Planning
- arxiv url: http://arxiv.org/abs/2510.08812v1
- Date: Thu, 09 Oct 2025 20:58:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 00:38:47.793076
- Title: Adaptive Science Operations in Deep Space Missions Using Offline Belief State Planning
- Title（参考訳）: オフライン状態計画による深宇宙ミッションの適応科学運用
- Authors: Grace Ra Kim, Hailey Warner, Duncan Eddy, Evan Astle, Zachary Booth, Edward Balaban, Mykel J. Kochenderfer,
- Abstract要約: 本稿では、宇宙船科学機器を適応的にシーケンスする、部分的に観測可能なマルコフ決定プロセス(POMDP)フレームワークを提案する。
我々はベイズネットワークをPOMDP観測空間に統合し、宇宙生物学のミッションに典型的な高次元かつ不確実な測定値を管理する。
提案手法はサンプル識別誤差を40%近く削減する。
- 参考スコア（独自算出の注目度）: 18.85282159558557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep space missions face extreme communication delays and environmental uncertainty that prevent real-time ground operations. To support autonomous science operations in communication-constrained environments, we present a partially observable Markov decision process (POMDP) framework that adaptively sequences spacecraft science instruments. We integrate a Bayesian network into the POMDP observation space to manage the high-dimensional and uncertain measurements typical of astrobiology missions. This network compactly encodes dependencies among measurements and improves the interpretability and computational tractability of science data. Instrument operation policies are computed offline, allowing resource-aware plans to be generated and thoroughly validated prior to launch. We use the Enceladus Orbilander's proposed Life Detection Suite (LDS) as a case study, demonstrating how Bayesian network structure and reward shaping influence system performance. We compare our method against the mission's baseline Concept of Operations (ConOps), evaluating both misclassification rates and performance in off-nominal sample accumulation scenarios. Our approach reduces sample identification errors by nearly 40%
- Abstract（参考訳）: 深宇宙ミッションは、リアルタイムの地上活動を防ぐための極端な通信遅延と環境の不確実性に直面している。
通信制約のある環境での自律的な科学運用を支援するため、宇宙船科学機器を適応的に配列する部分的に観測可能なマルコフ決定プロセス(POMDP)フレームワークを提案する。
我々はベイズネットワークをPOMDP観測空間に統合し、宇宙生物学のミッションに典型的な高次元かつ不確実な測定値を管理する。
このネットワークは、測定間の依存関係をコンパクトに符号化し、科学データの解釈可能性と計算的トラクタビリティを向上させる。
機器の操作ポリシはオフラインで計算され、リソースを意識したプランが生成され、ローンチ前に徹底的に検証される。
本研究では,Enceladus Orbilander の Life Detection Suite (LDS) を事例として,ベイズ的ネットワーク構造と報酬形成がシステム性能に与える影響を実証する。
提案手法を,ミッションのベースラインであるConOps(Con Option of Operations)と比較し,オフ・ノミナルサンプルの蓄積シナリオにおける誤分類率と性能の評価を行った。
提案手法はサンプル識別誤差を40%近く削減する
関連論文リスト
- From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。
本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
論文 参考訳（メタデータ） (2025-07-12T17:11:06Z) - 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) - 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) - A Survey on Deep Learning-Based Monocular Spacecraft Pose Estimation:
Current State, Limitations and Prospects [7.08026800833095]
非協力宇宙船の姿勢を推定することは、軌道上の視覚ベースのシステムを実現するための重要なコンピュータビジョン問題である。
コンピュータビジョンの一般的な傾向に続き、この問題を解決するためにディープラーニング(DL)手法を活用する研究がますます増えている。
有望な研究段階の結果にもかかわらず、実際のミッションでこのような方法が使われるのを防ぐ大きな課題が今も残っている。
論文 参考訳（メタデータ） (2023-05-12T09:52:53Z) - Performance Study of YOLOv5 and Faster R-CNN for Autonomous Navigation
around Non-Cooperative Targets [0.0]
本稿では,カメラと機械学習アルゴリズムを組み合わせることで,相対的なナビゲーションを実現する方法について論じる。
高速領域ベース畳み込みニューラルネットワーク(R-CNN)とYou Only Look Once(YOLOv5)の2つのディープラーニングに基づくオブジェクト検出アルゴリズムの性能を検証した。
本稿では, 特徴認識アルゴリズムの実装と, 宇宙船誘導航法制御システムへの統合に向けての道筋について論じる。
論文 参考訳（メタデータ） (2023-01-22T04:53:38Z) - Age of Semantics in Cooperative Communications: To Expedite Simulation
Towards Real via Offline Reinforcement Learning [53.18060442931179]
協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。
オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。
そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
論文 参考訳（メタデータ） (2022-09-19T11:55:28Z) - Context-Preserving Instance-Level Augmentation and Deformable
Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。
ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2022-02-14T07:01:01Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳（メタデータ） (2020-08-19T15:22:15Z)
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。