論文の概要: Optimizing Earth-Moon Transfer and Cislunar Navigation: Integrating Low-Energy Trajectories, AI Techniques and GNSS-R Technologies
- arxiv url: http://arxiv.org/abs/2511.03173v1
- Date: Wed, 05 Nov 2025 04:41:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.323143
- Title: Optimizing Earth-Moon Transfer and Cislunar Navigation: Integrating Low-Energy Trajectories, AI Techniques and GNSS-R Technologies
- Title（参考訳）: 地球-月移動の最適化とシスルナーナビゲーション:低エネルギー軌道、AI技術、GNSS-R技術の統合
- Authors: Arsalan Muhammad, Wasiu Akande Ahmed, Omada Friday Ojonugwa, Paul Puspendu Biswas,
- Abstract要約: 月面着陸を含むシスルナー活動は、コスト効率の良い軌道設計とナビゲーションとリモートセンシングの信頼性の高い統合を必要とする。
従来の地球-月移動は厳格な打ち上げ窓と高い推進剤の要求に悩まされ、地球ベースのシステムは静止軌道を超える範囲をほとんど、あるいは全く提供しない。
このレビューでは、速度要件、飛行時間、燃料効率を評価し、乗組員とロボットの両方のミッションに適合するかどうかを識別することで、4つの主要な転送戦略を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of cislunar activities, including lunar landings, the Lunar Gateway, and in-space refueling stations, requires advances in cost-efficient trajectory design and reliable integration of navigation and remote sensing. Traditional Earth-Moon transfers suffer from rigid launch windows and high propellant demands, while Earth-based GNSS systems provide little to no coverage beyond geostationary orbit. This limits autonomy and environmental awareness in cislunar space. This review compares four major transfer strategies by evaluating velocity requirements, flight durations, and fuel efficiency, and by identifying their suitability for both crewed and robotic missions. The emerging role of artificial intelligence and machine learning is highlighted: convolutional neural networks support automated crater recognition and digital terrain model generation, while deep reinforcement learning enables adaptive trajectory refinement during descent and landing to reduce risk and decision latency. The study also examines how GNSS-Reflectometry and advanced Positioning, Navigation, and Timing architectures can extend navigation capabilities beyond current limits. GNSS-R can act as a bistatic radar for mapping lunar ice, soil properties, and surface topography, while PNT systems support autonomous rendezvous, Lagrange point station-keeping, and coordinated satellite swarm operations. Combining these developments establishes a scalable framework for sustainable cislunar exploration and long-term human and robotic presence.
- Abstract（参考訳）: 月面着陸、ルナーゲートウェイ、宇宙での燃料補給ステーションを含むシスルナー活動の急速な成長は、コスト効率の良い軌道設計と航法とリモートセンシングの信頼性の高い統合を必要とする。
従来の地球-月移動は厳格な打ち上げ窓と高い推進剤の要求に悩まされ、地球ベースのGNSSシステムは静止軌道を超える範囲をほとんど、あるいは全く提供しない。
これにより、シスルナー空間における自律性と環境意識が制限される。
このレビューでは、速度要件、飛行時間、燃料効率を評価し、乗組員とロボットの両方のミッションに適合するかどうかを識別することで、4つの主要な転送戦略を比較した。
畳み込みニューラルネットワークは自動クレーター認識とデジタル地形モデル生成をサポートし、深い強化学習は降下と着陸の間に適応的な軌道修正を可能にし、リスクと決定のレイテンシを低減する。
この研究はまた、GNSS-Reflectometryと高度な位置決め、ナビゲーション、およびタイミングアーキテクチャが、現在の限界を超えて航法能力を拡張できるかについても検討している。
GNSS-Rは、月氷、土壌特性、表面地形をマッピングするバイスタティックレーダーとして機能し、PNTシステムは自律ランデブー、ラグランジュ点局維持、衛星群操作をサポートする。
これらの開発を組み合わせることで、持続可能なシスルナー探索と長期的な人間とロボットの存在のためのスケーラブルなフレームワークが確立される。
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) - AQ-PCDSys: An Adaptive Quantized Planetary Crater Detection System for Autonomous Space Exploration [0.0]
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。
論文 参考訳（メタデータ） (2025-08-25T13:44:00Z) - Scalable Aerial GNSS Localization for Marine Robots [6.506995182982002]
本稿では,水面近傍で海面ロボットを追跡・位置決めするスケーラブルな位置決め機能を備えた空中ドローンを提案する。
以上の結果から,この新たな適応により,単一ロボットとマルチロボットロボットの正確な位置推定が可能であることが示唆された。
論文 参考訳（メタデータ） (2025-05-07T03:18:59Z) - Low-altitude Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.72954660774002]
低地球軌道(LEO)衛星は、海上無線通信で広範囲にわたるデータ通信を支援するために使用できる。
LEO衛星を広範囲にカバーし、チャネルの開放性と組み合わせることで、通信プロセスはセキュリティ上のリスクに悩まされる可能性がある。
本稿では無人航空機による低高度衛星通信システムLEOについて述べる。
論文 参考訳（メタデータ） (2025-01-26T10:13:51Z) - FH-DRL: Exponential-Hyperbolic Frontier Heuristics with DRL for accelerated Exploration in Unknown Environments [1.8749305679160366]
本稿では、FH-DRLという、フロンティア検出のためのカスタマイズ可能な機能と、連続的かつ高速なローカルナビゲーションのためのTwin Delayed DDPG(TD3)エージェントを統合する新しいフレームワークを紹介する。
FH-DRLを複数のシミュレーションおよび実世界のシナリオで徹底的に評価し,旅行距離と完了時間の明確な改善を実証した。
その結果、FH-DRLは、大規模または部分的に知られている環境におけるフロンティアベースの探索の効率的で一般的なアプローチであることがわかった。
論文 参考訳（メタデータ） (2024-07-26T17:42:18Z) - Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting [0.0]
本稿では,3次元ガウス散乱に基づく軌道上の衛星のマッピング手法を提案する。
ループ型衛星モックアップにおけるモデルトレーニングと3次元レンダリング性能を実演する。
我々のモデルでは、未知の衛星の高品質な新しいビューを、従来のNeRFベースのアルゴリズムよりも2桁近く高速にトレーニングし、レンダリングすることが可能であることが示されている。
論文 参考訳（メタデータ） (2024-01-05T00:49:56Z) - SpaceYOLO: A Human-Inspired Model for Real-time, On-board Spacecraft
Feature Detection [0.0]
衝突の危険箇所を特定するためには、リアルタイムで自動的な宇宙船の特徴認識が必要である。
新しいアルゴリズムSpaceYOLOは、最先端のオブジェクト検出器YOLOv5を、人間にインスパイアされた意思決定プロセスに基づいて、別個のニューラルネットワークで融合する。
SpaceYOLOの自律型宇宙船検出の性能は、ハードウェア・イン・ザ・ループ実験において通常のYOLOv5と比較される。
論文 参考訳（メタデータ） (2023-02-02T02:11:39Z) - Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
高速物体把握のための完全自律飛行ロボットが提案されている。
追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。
我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
論文 参考訳（メタデータ） (2021-12-10T11:49:51Z) - Deep Learning Aided Routing for Space-Air-Ground Integrated Networks
Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。
大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。
低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文 参考訳（メタデータ） (2021-10-28T14:12:10Z) - 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。