論文の概要: Multi-Agent Reinforcement Learning for Heterogeneous Satellite Cluster Resources Optimization

• arxiv url: http://arxiv.org/abs/2511.12792v1
• Date: Sun, 16 Nov 2025 21:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.544443
• Title: Multi-Agent Reinforcement Learning for Heterogeneous Satellite Cluster Resources Optimization
• Title（参考訳）: 不均一衛星クラスター資源最適化のためのマルチエージェント強化学習
• Authors: Mohamad A. Hady, Siyi Hu, Mahardhika Pratama, Zehong Cao, Ryszard Kowalczyk,
• Abstract要約: 2つの光学衛星と1つのSAR衛星が低軌道で協力して地上の目標を捕捉し、その限られた資源を効率的に管理する。 従来の最適化手法は、地球観測(EO)のリアルタイム、不確実、分散的な性質を扱うのに苦労している。 本研究では,単一サテライトから多サテライトシナリオへの最適化問題を体系的に定式化する。 Basilisk と BSK-RL フレームワーク上に構築された準現実的なシミュレーション環境を用いて,最先端の MARL アルゴリズムの性能と安定性を評価する。
• 参考スコア（独自算出の注目度）: 19.16014340215772
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work investigates resource optimization in heterogeneous satellite clusters performing autonomous Earth Observation (EO) missions using Reinforcement Learning (RL). In the proposed setting, two optical satellites and one Synthetic Aperture Radar (SAR) satellite operate cooperatively in low Earth orbit to capture ground targets and manage their limited onboard resources efficiently. Traditional optimization methods struggle to handle the real-time, uncertain, and decentralized nature of EO operations, motivating the use of RL and Multi-Agent Reinforcement Learning (MARL) for adaptive decision-making. This study systematically formulates the optimization problem from single-satellite to multi-satellite scenarios, addressing key challenges including energy and memory constraints, partial observability, and agent heterogeneity arising from diverse payload capabilities. Using a near-realistic simulation environment built on the Basilisk and BSK-RL frameworks, we evaluate the performance and stability of state-of-the-art MARL algorithms such as MAPPO, HAPPO, and HATRPO. Results show that MARL enables effective coordination across heterogeneous satellites, balancing imaging performance and resource utilization while mitigating non-stationarity and inter-agent reward coupling. The findings provide practical insights into scalable, autonomous satellite operations and contribute a foundation for future research on intelligent EO mission planning under heterogeneous and dynamic conditions.
• Abstract（参考訳）: 本研究では、RL(Reinforcement Learning)を用いて、地球観測(EO)ミッションを実行する異種衛星クラスタの資源最適化について検討する。 提案した設定では、2つの光学衛星と1つの合成開口レーダ(SAR)衛星が低軌道上で協力して地上目標を捕捉し、その限られた資源を効率的に管理する。 従来の最適化手法は、適応的意思決定にRLとMARL(Multi-Agent Reinforcement Learning)を用いることを動機として、EO操作のリアルタイム、不確実、分散的な性質を扱うのに苦労している。 本研究では, 単一衛星から多衛星シナリオへの最適化問題を体系的に定式化し, 多様なペイロード能力から生じるエネルギー・メモリ制約, 部分観測可能性, エージェントの不均一性といった重要な課題に対処する。 本研究では,BasiliskおよびBSK-RLフレームワーク上に構築された準現実的シミュレーション環境を用いて,MAPPO,HAPPO,HATRPOなどの最先端MARLアルゴリズムの性能と安定性を評価する。 その結果、MARLは不均一衛星間の効果的な協調を可能にし、画像性能と資源利用のバランスを保ちつつ、非定常性とエージェント間報酬結合を緩和することを示した。 この発見は、スケーラブルで自律的な衛星運用に関する実践的な洞察を与え、異種および動的条件下でのインテリジェントなEOミッション計画の基礎となる。

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)
• Joint AoI and Handover Optimization in Space-Air-Ground Integrated Network [48.485907216785904]
  ローアース軌道(LEO)衛星コンステレーションは、地球をカバーし、遅延を減少させる有望な解決策を提供する。 しかし、軌道力学による間欠的カバレッジと間欠的な通信窓に苦しむ。 我々の3層設計では、HAP-地上通信のための高容量衛星間通信と信頼性無線周波数(RF)リンクに、ハイブリッド自由空間光(FSO)リンクを用いる。
  論文  参考訳（メタデータ） (2025-09-16T06:16:56Z)
• TLE-Based A2C Agent for Terrestrial Coverage Orbital Path Planning [0.0]
  低地球軌道(LEO)の混雑は、地球観測衛星の効率的な展開と安全な運用に永続的な課題をもたらす。 本研究では,Advantage Actor-Critic (A2C) アルゴリズムを用いて衛星軌道パラメータを精密な地上被覆のために最適化する強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-14T17:44:51Z)
• AI-Driven Collaborative Satellite Object Detection for Space Sustainability [29.817805350971366]
  低地球軌道(LEO)における衛星密度の増大は、宇宙の持続可能性に深刻な課題をもたらす。 従来の地上追跡システムは、レイテンシとカバレッジの制限によって制限されている。 本稿では,複数の衛星間での深層学習(DL)に基づく空間オブジェクト検出タスクの協調実行を可能にする新しい衛星クラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-01T16:31:55Z)
• On the Role of AI in Managing Satellite Constellations: Insights from the ConstellAI Project [1.706656684496508]
  本稿では,衛星メガ星の運用を最適化する上で,人工知能(AI)が果たす役割について考察する。 これは欧州宇宙機関(ESA)が出資したConstellAIプロジェクトに由来する。 GMV GmbH, Saarland University, Thales Alenia Spaceで構成されるコンソーシアムは、AI駆動アルゴリズムの開発に協力している。
  論文  参考訳（メタデータ） (2025-07-21T12:56:16Z)
• Multi-Agent Reinforcement Learning for Autonomous Multi-Satellite Earth Observation: A Realistic Case Study [10.393102715510937]
  低軌道(LEO)衛星の指数的な成長は、地球観測(EO)ミッションに革命をもたらした。 従来の最適化アプローチは、動的EOミッションのリアルタイムな意思決定要求を処理するのに苦労する。 RLをベースとした自律型EOミッション計画について,単一衛星操作をモデル化し,マルチ衛星コンステレーションに拡張することで検討する。
  論文  参考訳（メタデータ） (2025-06-18T07:42:11Z)
• Low-altitude UAV Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.23178920029957]
  本稿では,低高度無人航空機(UAV)による衛星海上通信システムを提案する。 安全衛星・海上通信多目的最適化問題(SSMCMOP)を定式化する。 動的かつ長期の最適化問題を解くため、マルコフ決定過程に再構成する。 次に,トランスサック (TransSAC) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
  衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。 本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:57:45Z)

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。