論文の概要: A Stochastic Approach to Terrain Maps for Safe Lunar Landing

• arxiv url: http://arxiv.org/abs/2512.12058v1
• Date: Fri, 12 Dec 2025 21:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.322653
• Title: A Stochastic Approach to Terrain Maps for Safe Lunar Landing
• Title（参考訳）: 安全な月面着陸のための地形図の確率論的アプローチ
• Authors: Anja Sheppard, Chris Reale, Katherine A. Skinner,
• Abstract要約: 従来の視覚に基づくハザード検出方法は月面では信頼性が低い。 月の南極に貴重な資源が存在する可能性があり、多くの宇宙機関や商業企業にとって、この地域への上陸が最優先事項となっている。 この技術は、月面環境ではかなりテストされていないため、降下時の危険検出にLiDARを頼っているのは危険である。 月面データにはLRO(Lunar Reconnaissance Orbiter)からの豊富なログがあり、降下前に地表の以前の地図を作成するのに使用できる。
• 参考スコア（独自算出の注目度）: 8.1140131376627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safely landing on the lunar surface is a challenging task, especially in the heavily-shadowed South Pole region where traditional vision-based hazard detection methods are not reliable. The potential existence of valuable resources at the lunar South Pole has made landing in that region a high priority for many space agencies and commercial companies. However, relying on a LiDAR for hazard detection during descent is risky, as this technology is fairly untested in the lunar environment. There exists a rich log of lunar surface data from the Lunar Reconnaissance Orbiter (LRO), which could be used to create informative prior maps of the surface before descent. In this work, we propose a method for generating stochastic elevation maps from LRO data using Gaussian processes (GPs), which are a powerful Bayesian framework for non-parametric modeling that produce accompanying uncertainty estimates. In high-risk environments such as autonomous spaceflight, interpretable estimates of terrain uncertainty are critical. However, no previous approaches to stochastic elevation mapping have taken LRO Digital Elevation Model (DEM) confidence maps into account, despite this data containing key information about the quality of the DEM in different areas. To address this gap, we introduce a two-stage GP model in which a secondary GP learns spatially varying noise characteristics from DEM confidence data. This heteroscedastic information is then used to inform the noise parameters for the primary GP, which models the lunar terrain. Additionally, we use stochastic variational GPs to enable scalable training. By leveraging GPs, we are able to more accurately model the impact of heteroscedastic sensor noise on the resulting elevation map. As a result, our method produces more informative terrain uncertainty, which can be used for downstream tasks such as hazard detection and safe landing site selection.
• Abstract（参考訳）: 月面への安全な着陸は、特に従来の視覚に基づくハザード検出方法が信頼性に欠けるサウスポール地域では、困難な作業である。 月の南極に貴重な資源が存在する可能性があり、多くの宇宙機関や商業企業にとって、この地域への上陸が最優先事項となっている。 しかし、この技術は月面環境ではかなり実証されていないため、降下時の危険検出にLiDARを利用するのは危険である。 月探査機ルナー・リコネッサンス・オービター (LRO) から得られた月面データの豊富なログがあり、降下前に地表の情報的な事前地図を作成するのに使用できる。 本研究では,不確実性推定を伴う非パラメトリックモデリングのための強力なベイズ的枠組みであるガウス過程(GP)を用いて,LROデータから確率的標高マップを生成する手法を提案する。 自律飛行のような高リスク環境では、地形の不確実性の解釈可能な推定が重要である。 しかし、従来の確率的標高マッピングでは、異なる領域におけるDEMの品質に関する重要な情報を含むデータにもかかわらず、LROデジタル標高モデル(DEM)の信頼度マップを考慮に入れていなかった。 このギャップに対処するために、DEM信頼データから二次GPが空間的に変化するノイズ特性を学習する2段階GPモデルを導入する。 この異方性情報は、月の地形をモデル化する主GPのノイズパラメータを知らせるために使用される。 さらに,確率的変分GPを用いて,スケーラブルなトレーニングを実現する。 GPを有効活用することにより、ヘテロシダスティックセンサノイズが結果の標高マップに与える影響をより正確にモデル化することができる。 その結果, 本手法は, より情報に富む地形の不確実性を生み出し, リスク検出や安全な着陸地点の選択といった下流作業に利用することができることがわかった。

関連論文リスト

• Vision-Language Model for Accurate Crater Detection [2.6038033465934083]
  欧州宇宙機関(ESA)は、クレーターが月面着陸の危険を冒すため、信頼できるクレーター検出に深い関心を持っている。 様々な大きさや形状のクレーターが大量にあることや、照明や凹凸のある地形の変化などの困難な条件のため、これは自明ではない。 本稿では,OWLv2モデルに基づくディープラーニングクレーター検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-01-12T18:08:17Z)
• Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
  CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。 微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。 5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
  論文  参考訳（メタデータ） (2024-09-29T08:18:50Z)
• Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
  本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。 サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
  論文  参考訳（メタデータ） (2024-09-14T05:12:14Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Bayesian Deep Learning for Segmentation for Autonomous Safe Planetary Landing [7.1581738936972]
  本稿では,ベイジアンディープラーニングセグメンテーション法のハザード検出への応用を提案する。 ベイジアンディープラーニングとセマンティックセグメンテーションを通じて、安全予測マップとその不確実性マップを同時に生成する。 実験は、Mars HiRISEデジタル地形モデルに基づくシミュレーションデータで示される。
  論文  参考訳（メタデータ） (2021-02-21T08:13:49Z)

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。