論文の概要: Towards Realistic Earth-Observation Constellation Scheduling: Benchmark and Methodology

• arxiv url: http://arxiv.org/abs/2510.26297v1
• Date: Thu, 30 Oct 2025 09:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.738445
• Title: Towards Realistic Earth-Observation Constellation Scheduling: Benchmark and Methodology
• Title（参考訳）: リアルな地球観測コンステレーションスケジューリングに向けて:ベンチマークと方法論
• Authors: Luting Wang, Yinghao Xiang, Hongliang Huang, Dongjun Li, Chen Gao, Si Liu,
• Abstract要約: 我々は、標準化されたベンチマークスイートと、Agile Earth Observation Satellitesの新しいスケジューリングモデルを紹介します。 当社のベンチマークスイートであるAEOS-Benchには、3,907ドルの微調整衛星資産と16,410ドルのシナリオが含まれています。 このベンチマークに基づいて,制約認識型アテンション機構を組み込んだTransformerベースのスケジューリングモデルであるAEOS-Formerを導入する。
• 参考スコア（独自算出の注目度）: 15.122110569996572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agile Earth Observation Satellites (AEOSs) constellations offer unprecedented flexibility for monitoring the Earth's surface, but their scheduling remains challenging under large-scale scenarios, dynamic environments, and stringent constraints. Existing methods often simplify these complexities, limiting their real-world performance. We address this gap with a unified framework integrating a standardized benchmark suite and a novel scheduling model. Our benchmark suite, AEOS-Bench, contains $3,907$ finely tuned satellite assets and $16,410$ scenarios. Each scenario features $1$ to $50$ satellites and $50$ to $300$ imaging tasks. These scenarios are generated via a high-fidelity simulation platform, ensuring realistic satellite behavior such as orbital dynamics and resource constraints. Ground truth scheduling annotations are provided for each scenario. To our knowledge, AEOS-Bench is the first large-scale benchmark suite tailored for realistic constellation scheduling. Building upon this benchmark, we introduce AEOS-Former, a Transformer-based scheduling model that incorporates a constraint-aware attention mechanism. A dedicated internal constraint module explicitly models the physical and operational limits of each satellite. Through simulation-based iterative learning, AEOS-Former adapts to diverse scenarios, offering a robust solution for AEOS constellation scheduling. Experimental results demonstrate that AEOS-Former outperforms baseline models in task completion and energy efficiency, with ablation studies highlighting the contribution of each component. Code and data are provided in https://github.com/buaa-colalab/AEOSBench.
• Abstract（参考訳）: Agile Earth Observation Satellites (AEOSs) は地球表面の監視に前例のない柔軟性を提供するが、大規模なシナリオ、動的環境、厳密な制約の下ではスケジュールが困難なままである。 既存の手法はしばしばこれらの複雑さを単純化し、実際の性能を制限する。 このギャップを、標準化されたベンチマークスイートと新しいスケジューリングモデルを統合する統一フレームワークで解決する。 当社のベンチマークスイートであるAEOS-Benchには、3,907ドルの微調整衛星資産と16,410ドルのシナリオが含まれています。 それぞれのシナリオは、衛星1ドルから50ドル、画像タスク50ドルから300ドルだ。 これらのシナリオは高忠実度シミュレーションプラットフォームを通じて生成され、軌道力学や資源制約といった現実的な衛星の挙動を保証する。 各シナリオに対して、地上の真実スケジューリングアノテーションが提供される。 私たちの知る限り、AEOS-Benchはリアルな星座スケジューリングに適した最初の大規模ベンチマークスイートです。 このベンチマークに基づいて,制約認識型アテンション機構を組み込んだTransformerベースのスケジューリングモデルであるAEOS-Formerを導入する。 専用の内部制約モジュールは、各衛星の物理的および運用上の限界を明示的にモデル化する。 シミュレーションベースの反復学習を通じて、AEOS-Formerは多様なシナリオに対応し、AEOSコンステレーションスケジューリングのための堅牢なソリューションを提供する。 AEOS-Formerはタスク完了とエネルギー効率においてベースラインモデルよりも優れており、アブレーション研究は各コンポーネントの寄与を強調している。 コードとデータはhttps://github.com/buaa-colalab/AEOSBench.comで提供されている。

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
  $textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。 $textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。 この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
  論文  参考訳（メタデータ） (2025-05-21T15:33:27Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• Semi-Supervised One-Shot Imitation Learning [83.94646047695412]
  ワンショットのImitation Learningは、AIエージェントに1つのデモから新しいタスクを学ぶ能力を持たせることを目的としている。 我々は,学習エージェントにトラジェクトリの大規模なデータセットを提示する,半教師付きOSIL問題設定を導入する。 我々は,この半教師付きOSIL設定に適用可能なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-08-09T18:11:26Z)
• FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks [18.213174641216884]
  多数の低軌道軌道(LEO)衛星が打ち上げられ、SpaceXなどの商業企業によって宇宙に投入された。 LEO衛星が搭載するマルチモーダルセンサにより、通信だけでなく、空間変調認識やリモートセンシング画像分類など、さまざまな機械学習アプリケーションにも機能する。 本稿では,これらの課題に対処するための一般FLフレームワークとしてFedSNを提案し,LEO衛星上でのデータ多様性について検討する。
  論文  参考訳（メタデータ） (2023-11-02T14:47:06Z)
• 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)
• Agile Earth observation satellite scheduling over 20 years: formulations, methods and future directions [69.47531199609593]
  高度姿勢操作能力を持つアジャイル衛星は、新世代の地球観測衛星(EOS)である 衛星技術の継続的な改善と打ち上げコストの削減により、アジャイルEOS(AEOS)の開発が加速した。
  論文  参考訳（メタデータ） (2020-03-13T09:38:40Z)

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。