論文の概要: Analyzing Data Quality and Decay in Mega-Constellations: A Physics-Informed Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2510.11242v1
- Date: Mon, 13 Oct 2025 10:28:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.318999
- Title: Analyzing Data Quality and Decay in Mega-Constellations: A Physics-Informed Machine Learning Approach
- Title（参考訳）: メガコンステレーションにおけるデータ品質と劣化の分析--物理インフォームド機械学習アプローチ
- Authors: Katarina Dyreby, Francisco Caldas, Cláudia Soares,
- Abstract要約: 本研究は,メガコンステレーション(スターリンク)のための公開エフェメリスデータの正確性と信頼性を批判的に評価する。
約1500基のStarlink衛星の2ヶ月の実際の軌道データを解析することにより、高精度数値アルゴリズムと公表されたエフェメリドの相違を識別する。
軌道離脱時の衛星の加速度プロファイルを抽出し、再突入時の非保存力の影響に関する洞察を提供する。
- 参考スコア（独自算出の注目度）: 1.3509194648045753
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In the era of mega-constellations, the need for accurate and publicly available information has become fundamental for satellite operators to guarantee the safety of spacecrafts and the Low Earth Orbit (LEO) space environment. This study critically evaluates the accuracy and reliability of publicly available ephemeris data for a LEO mega-constellation - Starlink. The goal of this work is twofold: (i) compare and analyze the quality of the data against high-precision numerical propagation. (ii) Leverage Physics-Informed Machine Learning to extract relevant satellite quantities, such as non-conservative forces, during the decay process. By analyzing two months of real orbital data for approximately 1500 Starlink satellites, we identify discrepancies between high precision numerical algorithms and the published ephemerides, recognizing the use of simplified dynamics at fixed thresholds, planned maneuvers, and limitations in uncertainty propagations. Furthermore, we compare data obtained from multiple sources to track and analyze deorbiting satellites over the same period. Empirically, we extract the acceleration profile of satellites during deorbiting and provide insights relating to the effects of non-conservative forces during reentry. For non-deorbiting satellites, the position Root Mean Square Error (RMSE) was approximately 300 m, while for deorbiting satellites it increased to about 600 m. Through this in-depth analysis, we highlight potential limitations in publicly available data for accurate and robust Space Situational Awareness (SSA), and importantly, we propose a data-driven model of satellite decay in mega-constellations.
- Abstract（参考訳）: メガ星の時代には、衛星運用者が宇宙船と低軌道(LEO)宇宙環境の安全性を保証するために、正確で公開可能な情報の必要性が基本となっている。
本研究は、LEOメガコンステレーション(スターリンク)において、公用エフェメリスデータの正確性と信頼性を批判的に評価する。
この仕事の目標は2つある。
一 データの質を高精度な数値伝搬と比較し、解析すること。
二 崩壊過程において、非保存力等の関連衛星量を抽出する物理情報機械学習
約1500基のスターリンク衛星の2ヶ月の実際の軌道データを解析することにより、高精度数値アルゴリズムと公表されたエフェメリドの相違を識別し、固定しきい値での単純化されたダイナミクスの使用、計画された操作、不確実性伝播の制限を認識した。
さらに、複数のソースから得られたデータを比較し、同じ期間に軌道離脱衛星を追跡し解析する。
実験的に、軌道離脱時の衛星の加速度プロファイルを抽出し、再突入時の非保存力の影響に関する洞察を提供する。
非軌道衛星ではRoot Mean Square Error (RMSE) が約300m、軌道離脱衛星では約600mに増加した。
この詳細な分析を通じて、我々は、正確で堅牢な宇宙状況認識(SSA)のための公開データの潜在的な制限を強調し、重要なことは、メガコンステレーションにおける衛星崩壊のデータ駆動モデルを提案することである。
関連論文リスト
- ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。
我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
論文 参考訳（メタデータ） (2025-09-16T08:52:13Z) - STAR: A Benchmark for Astronomical Star Fields Super-Resolution [52.895107920663236]
54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。
本稿では,Flux-Invariant Super Resolution (FISR)モデルを提案する。
論文 参考訳（メタデータ） (2025-07-22T09:28:28Z) - SpaceTrack-TimeSeries: Time Series Dataset towards Satellite Orbit Analysis [7.471495336112591]
本研究は、Starlink衛星からの操作行動の代表的なデータセットを収集し、キュレートする。
このデータセットは、TLE(Two-Line Element)カタログデータと対応する高精度なエフェメリスデータを統合することで、より現実的で多次元的な宇宙物体の挙動モデリングを可能にする。
これは、機動検出法の実践的な展開と、ますます混雑する軌道環境における衝突リスクの評価に関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2025-06-16T01:57:50Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning [1.3121410433987561]
本稿では,衛星が大規模機械学習(ML)タスクを効率的に実行できるようにする新しいFL-SECフレームワークを提案する。
主な構成要素は、余分な衛星画像を特定して排除するディビジョン・アンド・コンカーによるパーソナライズドラーニングと、軌道毎に集約された「軌道モデル」を生成し、地上局に送る前に再訓練する軌道モデル再訓練である。
我々のアプローチではFL収束時間が30倍近く減少し、衛星のエネルギー消費は1.38ワットまで減少し、例外的な精度は96%まで維持される。
論文 参考訳（メタデータ） (2024-01-28T02:01:26Z) - Secure and Efficient Federated Learning in LEO Constellations using
Decentralized Key Generation and On-Orbit Model Aggregation [1.4952056744888915]
本稿では、LEO星座向けに設計されたセキュアFLアプローチであるFedSecureを提案する。
FedSecureは、各衛星のデータのプライバシーを、盗聴者、好奇心の強いサーバー、または好奇心の強い衛星に対して保護する。
また、収束の遅れは数日から数時間に劇的に減少するが、85.35%の精度に達する。
論文 参考訳（メタデータ） (2023-09-04T21:36:46Z) - SpectraNet: Learned Recognition of Artificial Satellites From High
Contrast Spectroscopic Imagery [0.0]
観測データから物体の識別を抽出する現在の方法は、低軌道上の物体に対する識別を制限する空間的に解決された画像を必要とする。
しかし、ほとんどの人工衛星は、地上の観測所が空間情報の解決を禁止している距離で静止軌道で運用されている。
本稿では,残差畳み込みニューラルネットワークを応用したオブジェクト識別手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T19:51:00Z) - Spacecraft Collision Risk Assessment with Probabilistic Programming [0.0]
長さ10cmを超える34,000体以上が地球を周回していることが知られている。
そのうち、活動的な衛星はわずかの割合しかなく、残りの人口は死んだ衛星、ロケット本体、および運用中の宇宙船に衝突の脅威を与える破片でできています。
結合データメッセージを合成生成するための新しい物理ベースの確率的生成モデルを構築する。
論文 参考訳（メタデータ） (2020-12-18T14:26:08Z) - Integrating LEO Satellite and UAV Relaying via Reinforcement Learning
for Non-Terrestrial Networks [51.05735925326235]
低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。
軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。
エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。
本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
論文 参考訳（メタデータ） (2020-05-26T05:39:27Z)
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。