論文の概要: Dynamic Targeting of Satellite Observations Using Supplemental Geostationary Satellite Data and Hierarchical Planning

• arxiv url: http://arxiv.org/abs/2603.06719v1
• Date: Thu, 05 Mar 2026 23:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:12.903591
• Title: Dynamic Targeting of Satellite Observations Using Supplemental Geostationary Satellite Data and Hierarchical Planning
• Title（参考訳）: 静止衛星データと階層計画を用いた衛星観測の動的ターゲティング
• Authors: Akseli Kangaslahti, Itai Zilberstein, Alberto Candela, Steve Chien,
• Abstract要約: ダイナミックターゲティング(Dynamic Targeting, DT)は、衛星観測において、視線センサーが今後の環境に関する情報を収集する手法である。 これまでの研究によると、DTはアプリケーション間の科学的なリターンを増大させる可能性がある。 静止衛星からストリーミングされた補足データを用いてDTシステムの性能を向上する方法について述べる。
• 参考スコア（独自算出の注目度）: 2.809692947784873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Dynamic Targeting (DT) mission concept is an approach to satellite observation in which a lookahead sensor gathers information about the upcoming environment and uses this information to intelligently plan observations. Previous work has shown that DT has the potential to increase the science return across applications. However, DT mission concepts must address challenges, such as the limited spatial extent of onboard lookahead data and instrument mobility, data throughput, and onboard computation constraints. In this work, we show how the performance of DT systems can be improved by using supplementary data streamed from geostationary satellites that provide lookahead information up to 35 minutes ahead of time rather than the 1 minute latency from an onboard lookahead sensor. While there is a greater volume of geostationary data, the search space for observation planning explodes exponentially with the size of the horizon. To address this, we introduce a hierarchical planning approach in which the geostationary data is used to plan a long-term observation blueprint in polynomial time, then the onboard lookahead data is leveraged to refine that plan over short-term horizons. We compare the performance of our approach to that of traditional DT planners relying on onboard lookahead data across four different problem instances: three cloud avoidance variations and a storm hunting scenario. We show that our hierarchical planner outperforms the traditional DT planners by up to 41% and examine the features of the scenarios that affect the performance of our approach. We demonstrate that incorporating geostationary satellite data is most effective for dynamic problem instances in which the targets of interest are sparsely distributed throughout the overflight.
• Abstract（参考訳）: Dynamic Targeting (DT) ミッションの概念は衛星観測へのアプローチであり、視線センサーが今後の環境に関する情報を収集し、この情報を使って観測をインテリジェントに計画する。 これまでの研究によると、DTはアプリケーション間の科学的なリターンを増大させる可能性がある。 しかし、DTミッションの概念は、オンボードのルックアヘッドデータの空間範囲や機器のモビリティ、データのスループット、オンボードの計算制約といった課題に対処する必要がある。 本研究では,静止衛星からストリームされる補足データを用いて,搭載したルックアヘッドセンサの1分レイテンシよりも,最大35分前にルックアヘッド情報を提供することにより,DTシステムの性能を向上できることを示す。 静止データが多い一方で、観測計画のための探索空間は地平線の大きさとともに指数関数的に爆発する。 これを解決するために、静止データを用いて多項式時間内に長期観測ブループリントを計画する階層的プランニング手法を導入し、その後、搭載されたルックアヘッドデータを利用して短期水平線上でその計画を洗練する。 当社のアプローチと従来のDTプランナのパフォーマンスを,クラウド回避の3つのバリエーションとストームハンティングシナリオという,4つの異なる問題インスタンスにまたがるルックアヘッドデータに頼って比較した。 我々の階層的なプランナーは、従来のDTプランナーを最大41%上回り、アプローチのパフォーマンスに影響を与えるシナリオの特徴を調べます。 静止衛星データを組み込むことは、飛行中、興味の対象がわずかに分散している動的問題に対して最も効果的であることを示す。

関連論文リスト

• SpaceTrack-TimeSeries: Time Series Dataset towards Satellite Orbit Analysis [7.471495336112591]
  本研究は、Starlink衛星からの操作行動の代表的なデータセットを収集し、キュレートする。 このデータセットは、TLE(Two-Line Element)カタログデータと対応する高精度なエフェメリスデータを統合することで、より現実的で多次元的な宇宙物体の挙動モデリングを可能にする。 これは、機動検出法の実践的な展開と、ますます混雑する軌道環境における衝突リスクの評価に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-16T01:57:50Z)
• On the use of Graphs for Satellite Image Time Series [3.2623791881739033]
  本稿では,遠隔センシングにおけるグラフベース手法の統合について検討する。 SITS分析に取り組むために,汎用的なグラフベースのパイプラインを提案することを目的としている。 本論文は,土地被覆マッピングと水量予測データセットに対するグラフベースのアプローチの可能性を明らかにするための,レビューと2つのケーススタディを含む。
  論文  参考訳（メタデータ） (2025-05-22T13:53:36Z)
• Enhancing Maritime Situational Awareness through End-to-End Onboard Raw Data Analysis [4.441792803766689]
  本研究は、小型衛星の厳密な帯域幅、エネルギー、遅延制約に対処する枠組みを提案する。 衛星画像からの船舶の直接検出・分類における深層学習手法の適用について検討した。 本手法は,車載処理チェーンの簡素化により,キャリブレーションや整形などの計算集約的なステップを必要とせず,直接解析を容易にする。
  論文  参考訳（メタデータ） (2024-11-05T18:38:42Z)
• Earth Observation Satellite Scheduling with Graph Neural Networks [1.1684839631276702]
  本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)に基づく観測結果の選択とスケジューリングを行う新しい手法を提案する。 シミュレーションにより,より大規模な実世界のインスタンスに一般化し,従来の手法と比較して非常に競争力のある性能で学習できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-27T13:10:26Z)
• 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)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• 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)
• Unsupervised Change Detection of Extreme Events Using ML On-Board [3.1955314117075715]
  変分オートエンコーダ(VAE)に基づく衛星データにおける変更検出のための軽量で教師なしのアプローチであるRaVAEnを紹介する。 RaVAEnは、サンプルデータを衛星に直接前処理し、ダウンリンク、応答時間を短縮するために変更したエリアをフラグで表示する。 破滅的な事象の時系列からなるデータセット上で,本システムの有効性を検証した。
  論文  参考訳（メタデータ） (2021-11-04T16:45:15Z)
• Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
  時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。 本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
  論文  参考訳（メタデータ） (2021-06-14T04:31:15Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。