論文の概要: Current state of the multi-agent multi-view experimental and digital twin rendezvous (MMEDR-Autonomous) framework
- arxiv url: http://arxiv.org/abs/2603.20575v1
- Date: Sat, 21 Mar 2026 00:13:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:38.974657
- Title: Current state of the multi-agent multi-view experimental and digital twin rendezvous (MMEDR-Autonomous) framework
- Title（参考訳）: マルチエージェント多視点実験およびデジタルツインランデブー(MMEDR-Autonomous)フレームワークの現状
- Authors: Logan Banker, Michael Wozniak, Mohanad Alameer, Smriti Nandan Paul, David Meisinger, Grant Baer, Trevor Hunting, Ryan Dunham, Jay Kamdar,
- Abstract要約: マシンラーニングベースのメソッドをガイダンス、ナビゲーション、コントロールアーキテクチャに統合して、堅牢なランデブーおよびドッキングフレームワークを設計することができる。
MMEDR-Autonomousは、学習ベースの光ナビゲーションネットワーク、開発中の強化学習ベースのガイダンスアプローチ、ループ内テストベッドからなる統合フレームワークである。
MMEDR-Autonomousフレームワークは現在、マルチエージェントランデブーシナリオにおける統合的な検証に向けて進んでいる。
- 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: As near-Earth resident space objects proliferate, there is an increasing demand for reliable technologies in applications of on-orbit servicing, debris removal, and orbit modification. Rendezvous and docking are critical mission phases for such applications and can benefit from greater autonomy to reduce operational complexity and human workload. Machine learning-based methods can be integrated within the guidance, navigation, and control (GNC) architecture to design a robust rendezvous and docking framework. In this work, the Multi-Agent Multi-View Experimental and Digital Twin Rendezvous (MMEDR-Autonomous) is introduced as a unified framework comprising a learning-based optical navigation network, a reinforcement learning-based guidance approach under ongoing development, and a hardware-in-the-loop testbed. Navigation employs a lightweight monocular pose estimation network with multi-scale feature fusion, trained on realistic image augmentations to mitigate domain shift. The guidance component is examined with emphasis on learning stability, reward design, and systematic hyperparameter tuning under mission-relevant constraints. Prior Control Barrier Function results for Clohessy-Wiltshire dynamics are reviewed as a basis for enforcing safety and operational constraints and for guiding future nonlinear controller design within the MMEDR-Autonomous framework. The MMEDR-Autonomous framework is currently progressing toward integrated experimental validation in multi-agent rendezvous scenarios.
- Abstract（参考訳）: 地球近傍の宇宙物体が増加するにつれて、軌道上のサービシング、デブリ除去、軌道修正といった信頼性の高い技術への需要が高まっている。
レンデブーとドッキングはそのようなアプリケーションにとって重要なミッションフェーズであり、運用の複雑さと人的負荷を減らすためにより大きな自律性から恩恵を受けることができる。
マシンラーニングベースのメソッドは、ガイド、ナビゲーション、制御(GNC)アーキテクチャに統合して、堅牢なランデブーおよびドッキングフレームワークを設計することができる。
本研究は,Multi-Agent Multi-View Experimental and Digital Twin Rendezvous (MMEDR-Autonomous) を,学習に基づく光ナビゲーションネットワーク,開発中の強化学習に基づくガイダンスアプローチ,ハードウェア・イン・ザ・ループテストベッドからなる統合フレームワークとして導入する。
ナビゲーションは、領域シフトを軽減するために、現実的な画像拡張に基づいて訓練されたマルチスケールの特徴融合を備えた軽量な単眼ポーズ推定ネットワークを使用する。
誘導成分は, ミッション関連制約下での学習安定性, 報酬設計, 系統的ハイパーパラメータチューニングに重点を置いて検討される。
The prior Control Barrier Function results for Clohessy-Wiltshire dynamics is reviewed as the basis for enforceing safety and operational constraints and for guideing future nonlinear controller design within the MMEDR-Autonomous framework。
MMEDR-Autonomousフレームワークは現在、マルチエージェントランデブーシナリオにおける統合的な検証に向けて進んでいる。
関連論文リスト
- IMAGINE: Intelligent Multi-Agent Godot-based Indoor Networked Exploration [0.0]
本稿では,2次元屋内環境における課題に対処するために,MARL(Multi-Agent Reinforcement Learning)を実装した。
政策訓練は、不確実性の下で創発的な協調行動と意思決定を達成することを目的としている。
論文 参考訳（メタデータ） (2026-02-02T22:08:41Z) - AR-MOT: Autoregressive Multi-object Tracking [56.09738000988466]
本稿では,大規模言語モデル(LLM)フレームワーク内のシーケンス生成タスクとしてMOTを定式化する,新しい自己回帰パラダイムを提案する。
この設計により、タスク固有のヘッドを必要とせずに、フレキシブルなシーケンス構成によって構造化された結果を出力できる。
地域レベルの視覚知覚を高めるために,事前訓練された検出器に基づくオブジェクト・トケナイザを導入する。
論文 参考訳（メタデータ） (2026-01-05T09:17:28Z) - CLASH: Collaborative Large-Small Hierarchical Framework for Continuous Vision-and-Language Navigation [38.37757288365413]
VLN(Vision-and-Language Navigation)では、ロボットが自然言語の指示に従い、事前の地図を使わずに複雑な環境をナビゲートする必要がある。
反応型小型モデルプランナ (RSMP) と反射型大型モデル推論器 (RLMR) を統合した VLN-CE フレームワーク CLASH を提案する。
シミュレーションでは,ルールベースのコントローラを完全学習可能なポイントゴールポリシーに置き換え,実世界の展開では,ナビゲーション可能なウェイポイントを生成するためのLiDARベースのクラスタリングモジュールを設計する。
論文 参考訳（メタデータ） (2025-12-11T07:20:06Z) - REASAN: Learning Reactive Safe Navigation for Legged Robots [3.0268879088436496]
複雑な動的環境における脚付きリアクティブナビゲーションのための新しいモジュール化されたエンドツーエンドフレームワークを提案する。
3つの強化学習(RL)ポリシーで、移動、安全遮蔽、ナビゲーション、およびトランスフォーマーをベースとした外部受容推定器を備える。
結果として生じるリアクティブセーフナビゲーション(REASAN)システムは、シングルボットとマルチボットの両方で完全にオンボードおよびリアルタイムのリアクティブナビゲーションを実現する。
論文 参考訳（メタデータ） (2025-12-10T11:23:32Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - EasySteer: A Unified Framework for High-Performance and Extensible LLM Steering [55.56674028743782]
大規模言語モデル(LLM)のステアリングは、推論時にモデル動作を制御するための有望なパラダイムとして登場した。
我々は,vLLM上に構築された高性能LLMステアリングのための統合フレームワークであるEasySteerを提案する。
論文 参考訳（メタデータ） (2025-09-29T17:59:07Z) - AQ-PCDSys: An Adaptive Quantized Planetary Crater Detection System for Autonomous Space Exploration [0.0]
本稿では,アダプティブ量子化惑星クレーター検出システム(AQ-PCDSys)を紹介する。
AQ-PCDSysは量子化ニューラルネットワーク(QNN)アーキテクチャを統合し、量子化認識トレーニング(QAT)を用いてトレーニングする
AMFモジュールは、光学画像(OI)とDEM(Digital Elevation Models)のデータを特徴レベルでインテリジェントに融合する。
論文 参考訳（メタデータ） (2025-08-25T13:44:00Z) - Toward a Plug-and-Play Vision-Based Grasping Module for Robotics [0.0]
本稿では,複数のマニピュレータ間で容易に移動可能な視覚ベースの把握フレームワークを提案する。
このフレームワークは、オープンループ把持軌跡の多様なレパートリーを生成し、把握の多様性を維持しつつ、適応性を向上させる。
論文 参考訳（メタデータ） (2023-10-06T16:16:00Z) - 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) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳（メタデータ） (2020-08-18T08:05:15Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。