論文の概要: Machine Learning Argument of Latitude Error Model for LEO Satellite Orbit and Covariance Correction

• arxiv url: http://arxiv.org/abs/2602.16764v1
• Date: Wed, 18 Feb 2026 17:23:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.282763
• Title: Machine Learning Argument of Latitude Error Model for LEO Satellite Orbit and Covariance Correction
• Title（参考訳）: LEO衛星軌道と共分散補正のための遅延誤差モデルの機械学習解析
• Authors: Alex Moody, Penina Axelrad, Rebecca Russell,
• Abstract要約: 我々は,多種多様なLEO衛星の緯度議論における誤差の増大を補正する機械学習手法を開発した。 この1次元モデルが,カルテシアン状態空間に写像できる誤モデルドラッグの効果を捉えていることが示される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low Earth orbit (LEO) satellites are leveraged to support new position, navigation, and timing (PNT) service alternatives to GNSS. These alternatives require accurate propagation of satellite position and velocity with a realistic quantification of uncertainty. It is commonly assumed that the propagated uncertainty distribution is Gaussian; however, the validity of this assumption can be quickly compromised by the mismodeling of atmospheric drag. We develop a machine learning approach that corrects error growth in the argument of latitude for a diverse set of LEO satellites. The improved orbit propagation accuracy extends the applicability of the Gaussian assumption and modeling of the errors with a corrected mean and covariance. We compare the performance of a time-conditioned neural network and a Gaussian Process on datasets computed with an open source orbit propagator and publicly available Vector Covariance Message (VCM) ephemerides. The learned models predict the argument of latitude error as a Gaussian distribution given parameters from a single VCM epoch and reverse propagation errors. We show that this one-dimensional model captures the effect of mismodeled drag, which can be mapped to the Cartesian state space. The correction method only updates information along the dimensions of dominant error growth, while maintaining the physics-based propagation of VCM covariance in the remaining dimensions. We therefore extend the utility of VCM ephemerides to longer time horizons without modifying the functionality of the existing propagator.
• Abstract（参考訳）: 低軌道(LEO)衛星は、GNSSに代わる新しい位置、航法、タイミング(PNT)サービスをサポートするために利用される。 これらの代替手段は、衛星の位置と速度の正確な伝播と、現実的な不確実性の定量化を必要とする。 伝播する不確実性分布はガウス的であると一般的に仮定されるが、この仮定の妥当性は大気抵抗の誤モデリングによって急速に損なわれる。 我々は,多種多様なLEO衛星の緯度議論における誤差の増大を補正する機械学習手法を開発した。 改良された軌道伝搬精度はガウスの仮定の適用性を高め、補正された平均と共分散の誤差をモデル化する。 我々は、オープンソースのオービタルプロパゲータとVector Covariance Message(VCM)エフェメライドを用いて計算されたデータセットに対して、時間条件ニューラルネットワークとガウス過程の性能を比較した。 学習したモデルは、単一のVCMエポックと逆伝播誤差からパラメータを与えられたガウス分布として緯度誤差の議論を予測する。 この1次元モデルが,カルテシアン状態空間に写像できる誤モデルドラッグの効果を捉えていることが示される。 補正法は、残次元におけるVCM共分散の物理に基づく伝播を維持しながら、支配的誤差成長の次元に沿った情報のみを更新する。 したがって、既存のプロパゲータの機能を変更することなく、VCMエフェメリドの有用性を長い時間的地平線まで拡張する。

関連論文リスト

• On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
  本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。 CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。 我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-12-30T06:29:20Z)
• Diff-GNSS: Diffusion-based Pseudorange Error Estimation [4.275603853123926]
  グローバル・ナビゲーション・サテライト・システムズ(GNSS)は、信頼できる都市の位置決めに不可欠である。 マルチパスと非線形受信は、しばしば精度を低下させる大きな測定誤差をもたらす。 擬似乱数誤差を予測・補償する学習手法が注目されているが,その性能は複雑な誤差分布によって制限されている。 Diff-GNSSは,条件付き拡散モデルを用いて複雑な分布を捕捉する粗粒度測定(擬似サテライト)の誤差推定フレームワークである。
  論文  参考訳（メタデータ） (2025-09-22T06:57:06Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Neural Error Covariance Estimation for Precise LiDAR Localization [1.8874331450711404]
  本稿では,LiDARマップマッチングにおける局所化誤差の共分散を予測するニューラルネットワークベースのフレームワークを提案する。 評価では,局所化精度が2cm向上し,領域が大幅に向上した。
  論文  参考訳（メタデータ） (2025-01-05T14:20:08Z)
• Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction [5.38274042816001]
  観測データでは、分布シフトは観測されていない共起因子によって駆動されることが多い。 このことは、観測データを用いた領域適応問題の研究を動機付けます。 学習した低次元部分空間を用いて、ターゲットとソースのリスクの間にほぼ理想的なギャップを生じさせるモデルを示す。
  論文  参考訳（メタデータ） (2024-06-22T17:43:08Z)
• Distributed Variational Inference for Online Supervised Learning [15.038649101409804]
  本稿では,スケーラブルな分散確率的推論アルゴリズムを提案する。 センサネットワークにおける連続変数、難解な後部データ、大規模リアルタイムデータに適用できる。
  論文  参考訳（メタデータ） (2023-09-05T22:33:02Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
  データから解釈可能な等価性を発見する方法について検討する。 具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。 また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
  論文  参考訳（メタデータ） (2022-04-07T17:59:19Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。