論文の概要: LeLaR: The First In-Orbit Demonstration of an AI-Based Satellite Attitude Controller

• arxiv url: http://arxiv.org/abs/2512.19576v1
• Date: Mon, 22 Dec 2025 17:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.850436
• Title: LeLaR: The First In-Orbit Demonstration of an AI-Based Satellite Attitude Controller
• Title（参考訳）: LeLaR:AIベースの衛星姿勢制御器の最初の軌道上でのデモ
• Authors: Kirill Djebko, Tom Baumann, Erik Dilger, Frank Puppe, Sergio Montenegro,
• Abstract要約: 我々は、慣性ポインティング操作のためのAIベースの姿勢制御器の軌道上での最初の成功例を示す。 コントローラーは完全にシミュレーションで訓練され、ユリウス・マクシミリアン大学(Julius-Maximilians-Universitt Wrzburg)がベルリン工科大学と共同で開発したInnoCube 3Uナノサテライトに配備された。 本稿では、AIエージェント設計、トレーニング手順の方法論、シミュレーションと実衛星の観測行動の相違、およびAIベースの姿勢制御器とInnoCubeの古典的なPD制御器の比較について述べる。
• 参考スコア（独自算出の注目度）: 0.17398560678845076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attitude control is essential for many satellite missions. Classical controllers, however, are time-consuming to design and sensitive to model uncertainties and variations in operational boundary conditions. Deep Reinforcement Learning (DRL) offers a promising alternative by learning adaptive control strategies through autonomous interaction with a simulation environment. Overcoming the Sim2Real gap, which involves deploying an agent trained in simulation onto the real physical satellite, remains a significant challenge. In this work, we present the first successful in-orbit demonstration of an AI-based attitude controller for inertial pointing maneuvers. The controller was trained entirely in simulation and deployed to the InnoCube 3U nanosatellite, which was developed by the Julius-Maximilians-Universität Würzburg in cooperation with the Technische Universität Berlin, and launched in January 2025. We present the AI agent design, the methodology of the training procedure, the discrepancies between the simulation and the observed behavior of the real satellite, and a comparison of the AI-based attitude controller with the classical PD controller of InnoCube. Steady-state metrics confirm the robust performance of the AI-based controller during repeated in-orbit maneuvers.
• Abstract（参考訳）: 多くの衛星ミッションでは、姿勢制御が不可欠である。 しかし、古典的なコントローラーは設計に時間がかかり、操作境界条件のモデルの不確実性やバリエーションに敏感である。 Deep Reinforcement Learning (DRL)は、シミュレーション環境との自律的なインタラクションを通じて適応制御戦略を学習することで、有望な代替手段を提供する。 シミュレーションで訓練されたエージェントを実際の物理衛星に配置するSim2Realギャップを克服することは、依然として大きな課題である。 本研究では、慣性ポインティング操作のためのAIベースの姿勢制御器の軌道上での初成功例を示す。 制御装置は完全にシミュレーションで訓練され、ユリウス・マクシミリアン大学(Julius-Maximilians-Universität Würzburg)がベルリン工科大学(Technische Universität Berlin)と共同で開発したInnoCube 3Uナノサテライトに配備され、2025年1月に進水した。 本稿では、AIエージェント設計、トレーニング手順の方法論、シミュレーションと実衛星の観測行動の相違、およびAIベースの姿勢制御器とInnoCubeの古典的なPD制御器の比較について述べる。 定常メトリクスは、繰り返し軌道上での操作において、AIベースのコントローラの堅牢なパフォーマンスを確認する。

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)
• Intelligent Control of Spacecraft Reaction Wheel Attitude Using Deep Reinforcement Learning [3.2666647437577114]
  本研究では,衛星の弾力性と耐故障性の向上を目的としたDRL制御手法を提案する。 実験結果から,TD3-HDは姿勢誤差を著しく低減し,角速度制御が向上し,断層条件下での安定性が向上した。
  論文  参考訳（メタデータ） (2025-07-11T07:28:16Z)
• Neural-based Control for CubeSat Docking Maneuvers [0.0]
  本稿では、強化学習(RL)によって訓練されたニューラルネットワーク(ANN)を用いた革新的なアプローチを提案する。 提案した戦略は実装が容易であり、経験から制御ポリシーを学習することで、高速な適応性と障害に対する堅牢性を提供する。 本研究は、宇宙機RVDの適応性と効率の確保におけるRLの有効性を強調し、今後のミッションへの期待について考察した。
  論文  参考訳（メタデータ） (2024-10-16T16:05:46Z)
• Modelling, Positioning, and Deep Reinforcement Learning Path Tracking Control of Scaled Robotic Vehicles: Design and Experimental Validation [3.807917169053206]
  スケールされたロボットカーは通常、車両の状態の推定と制御に特化したタスクを含む階層的な制御機構を備えている。 本稿では, (i) フェデレートされた拡張カルマンフィルタ (FEKF) と (ii) エキスパートデモレータを用いて訓練された新しい深部強化学習 (DRL) パストラッキングコントローラを提案する。 実験により検証されたモデルは、(i)FEKFの設計を支援するために使用され、(ii)DRLに基づく経路追跡アルゴリズムをトレーニングするためのデジタルツインとして機能する。
  論文  参考訳（メタデータ） (2024-01-10T14:40:53Z)
• Learning to Fly in Seconds [7.259696592534715]
  カリキュラム学習と高度に最適化されたシミュレータが,サンプルの複雑さを増し,学習時間の短縮につながることを示す。 我々のフレームワークは、コンシューマ級ラップトップで18秒のトレーニングをした後、直接制御するためのSimulation-to-Real(Sim2Real)転送を可能にする。
  論文  参考訳（メタデータ） (2023-11-22T01:06:45Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Monolithic vs. hybrid controller for multi-objective Sim-to-Real learning [58.32117053812925]
  シミュレーション・トゥ・リアル(Sim-to-Real)はロボット作業のためのコントローラを構築するための魅力的なアプローチである。 本研究では,ロボットマニピュレータの多目的設定における2つのアプローチを比較し,障害物を避けながら目標に到達する方法を提案する。 この結果から,ハイブリッドコントローラのトレーニングが簡単で,モノリシックコントローラよりも優れた成功と失敗のトレードオフが得られることがわかった。
  論文  参考訳（メタデータ） (2021-08-17T09:02:33Z)
• Reinforcement Learning for Robust Parameterized Locomotion Control of Bipedal Robots [121.42930679076574]
  シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。 ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。 本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
  論文  参考訳（メタデータ） (2021-03-26T07:14:01Z)

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。