論文の概要: Empowering All-in-Loop Health Management of Spacecraft Power System in the Mega-Constellation Era via Human-AI Collaboration

• arxiv url: http://arxiv.org/abs/2601.12667v1
• Date: Mon, 19 Jan 2026 02:28:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.733951
• Title: Empowering All-in-Loop Health Management of Spacecraft Power System in the Mega-Constellation Era via Human-AI Collaboration
• Title（参考訳）: メガコンステレーション時代の宇宙用電力システムの全輪健康管理の人間-AI連携による強化
• Authors: Yi Di, Zhibin Zhao, Fujin Wang, Xue Liu, Jiafeng Tang, Jiaxin Ren, Zhi Zhai, Xuefeng Chen,
• Abstract要約: 本研究では、基盤となる機能(AUC)を整合させる原則を提案し、オールインループ健康管理(AIL HM)のためのオープンソースのHuman-AIフレームワークであるSpaceHMchatを開発した。 SpaceHMchatは、作業条件認識、異常検出、障害ローカライゼーション、メンテナンス決定のループ全体にわたって機能する。 実験の結果,SpaceHMchatは23種類の測定値で優れた性能を示した。
• 参考スコア（独自算出の注目度）: 14.620265322091967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is foreseeable that the number of spacecraft will increase exponentially, ushering in an era dominated by satellite mega-constellations (SMC). This necessitates a focus on energy in space: spacecraft power systems (SPS), especially their health management (HM), given their role in power supply and high failure rates. Providing health management for dozens of SPS and for thousands of SPS represents two fundamentally different paradigms. Therefore, to adapt the health management in the SMC era, this work proposes a principle of aligning underlying capabilities (AUC principle) and develops SpaceHMchat, an open-source Human-AI collaboration (HAIC) framework for all-in-loop health management (AIL HM). SpaceHMchat serves across the entire loop of work condition recognition, anomaly detection, fault localization, and maintenance decision making, achieving goals such as conversational task completion, adaptive human-in-the-loop learning, personnel structure optimization, knowledge sharing, efficiency enhancement, as well as transparent reasoning and improved interpretability. Meanwhile, to validate this exploration, a hardware-realistic fault injection experimental platform is established, and its simulation model is built and open-sourced, both fully replicating the real SPS. The corresponding experimental results demonstrate that SpaceHMchat achieves excellent performance across 23 quantitative metrics, such as 100% conclusion accuracy in logical reasoning of work condition recognition, over 99% success rate in anomaly detection tool invocation, over 90% precision in fault localization, and knowledge base search time under 3 minutes in maintenance decision-making. Another contribution of this work is the release of the first-ever AIL HM dataset of SPS. This dataset contains four sub-datasets, involving 4 types of AIL HM sub-tasks, 17 types of faults, and over 700,000 timestamps.
• Abstract（参考訳）: 宇宙船の数は指数関数的に増加し、衛星メガコンステレーション(SMC)が支配する時代に入ることが予想される。 宇宙船の電力システム(SPS)、特にその健康管理(HM)は、電力供給と高い失敗率においてその役割を担っている。 数十のSPSと数千のSPSのための健康管理を提供することは、根本的に異なる2つのパラダイムである。 したがって、SMC時代の健康管理に適応するため、本研究は基盤となる能力(AUCの原則)を整合させる原則を提案し、オールインループ健康管理(AIL HM)のためのオープンソースのHuman-AIコラボレーション(HAIC)フレームワークであるSpaceHMchatを開発した。 SpaceHMchatは、作業条件認識、異常検出、障害のローカライゼーション、メンテナンス決定のループ全体にわたって機能し、会話タスク完了、適応的ヒューマン・イン・ザ・ループ学習、人事構造最適化、知識共有、効率向上、透明な推論と解釈性の向上といった目標を達成する。 一方、この調査を検証するため、ハードウェアリアルなフォールトインジェクション実験プラットフォームを構築し、そのシミュレーションモデルを構築し、オープンソース化し、どちらも本物のSPSを完全に複製する。 その結果,SpaceHMchatは,作業条件認識の論理的推論における結論精度100%,異常検出ツールの実行における成功率99%以上,故障局所化の精度90%以上,保守決定の3分以内の知識ベース探索時間など,23種類の定量的指標で優れた性能を達成できた。 この研究のもうひとつの貢献は、SPSの最初のALI HMデータセットのリリースである。 このデータセットには、4種類のAIL HMサブタスク、17種類の障害、70,000以上のタイムスタンプを含む4つのサブデータセットが含まれている。

関連論文リスト

• A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
  トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。 従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。 本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-12-09T11:54:09Z)
• Multi-Agent Reinforcement Learning for Heterogeneous Satellite Cluster Resources Optimization [19.16014340215772]
  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。
  論文  参考訳（メタデータ） (2025-11-16T21:47:04Z)
• Adaptive Science Operations in Deep Space Missions Using Offline Belief State Planning [18.85282159558557]
  本稿では、宇宙船科学機器を適応的にシーケンスする、部分的に観測可能なマルコフ決定プロセス(POMDP)フレームワークを提案する。 我々はベイズネットワークをPOMDP観測空間に統合し、宇宙生物学のミッションに典型的な高次元かつ不確実な測定値を管理する。 提案手法はサンプル識別誤差を40%近く削減する。
  論文  参考訳（メタデータ） (2025-10-09T20:58:35Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• 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)
• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Enhancing Precision in Tactile Internet-Enabled Remote Robotic Surgery: Kalman Filter Approach [0.0]
  本稿では,計算効率の良い位置推定法としてカルマンフィルタ(KF)を提案する。 この研究は、ロボットアームシステムの力学系モデルに関する事前の知識も想定していない。 シミュレーションネットワーク条件下での患者側マニピュレータ(PSM)の位置決定におけるKFの有効性について検討した。
  論文  参考訳（メタデータ） (2024-06-06T20:56:53Z)
• Physics-Informed Real NVP for Satellite Power System Fault Detection [3.3694176886084803]
  本稿では,AIに基づく障害検出手法を提案し,ADAPTデータセット上での性能評価を行う。 本研究では,物理インフォームド(PI)実数値非体積保存(Real NVP)モデルを宇宙システムにおける故障検出に適用することに焦点を当てた。 その結果,我々の物理インフォームド・アプローチは既存の故障検出方法よりも優れており,衛星EPSサブシステム障害の課題に対処できる可能性が示された。
  論文  参考訳（メタデータ） (2024-05-27T16:42:51Z)

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。