Fugu-MT 論文翻訳(概要): Deep Learning-Based Anomaly Detection in Spacecraft Telemetry on Edge Devices

論文の概要: Deep Learning-Based Anomaly Detection in Spacecraft Telemetry on Edge Devices

arxiv url: http://arxiv.org/abs/2603.29375v1
Date: Tue, 31 Mar 2026 07:45:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-01 15:25:03.262189
Title: Deep Learning-Based Anomaly Detection in Spacecraft Telemetry on Edge Devices
Title（参考訳）: エッジデバイスを用いた宇宙機テレメトリにおける深層学習に基づく異常検出
Authors: Christopher Goetze, Tim Schlippe, Daniel Lakey,
Abstract要約: 本稿では,衛星テレメトリ異常検出のための3つのアプローチについて検討する。欧州宇宙機関異常データセット上で,多目的ニューラルアーキテクチャ最適化を用いてエッジ配置に最適化する。最適化されたモデルでは、CubeSat RAMのわずか0.36-6.25%しか必要とせず、高度に制約されたハードウェア上でも、オンボードの異常検出を実用的なものにしている。
参考スコア（独自算出の注目度）: 0.038233569758620044
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spacecraft anomaly detection is critical for mission safety, yet deploying sophisticated models on-board presents significant challenges due to hardware constraints. This paper investigates three approaches for spacecraft telemetry anomaly detection -- forecasting & threshold, direct classification, and image classification -- and optimizes them for edge deployment using multi-objective neural architecture optimization on the European Space Agency Anomaly Dataset. Our baseline experiments demonstrate that forecasting & threshold achieves superior detection performance (92.7% Corrected Event-wise F0.5-score (CEF0.5)) [1] compared to alternatives. Through Pareto-optimal architecture optimization, we dramatically reduced computational requirements while maintaining capabilities -- the optimized forecasting & threshold model preserved 88.8% CEF0.5 while reducing RAM usage by 97.1% to just 59 KB and operations by 99.4%. Analysis of deployment viability shows our optimized models require just 0.36-6.25% of CubeSat RAM, making on-board anomaly detection practical even on highly constrained hardware. This research demonstrates that sophisticated anomaly detection capabilities can be successfully deployed within spacecraft edge computing constraints, providing near-instantaneous detection without exceeding hardware limitations or compromising mission safety.
Abstract（参考訳）: 宇宙船の異常検出はミッションの安全性にとって重要であるが、高度なモデルを搭載して配置することは、ハードウェアの制約により重大な課題となる。本稿では, 衛星テレメトリ異常検出のための3つのアプローチ, 予測としきい値, 直接分類, 画像分類について検討し, 欧州宇宙機関異常データセット上での多目的ニューラルアーキテクチャ最適化を用いて, エッジ展開に最適化する。本研究のベースライン実験では,予測としきい値により検出性能が92.7%向上し(Corrected Event-wise F0.5-score (CEF0.5) [1] が得られた。最適化された予測としきい値モデルは88.8%のCEF0.5を保存し、RAM使用量を97.1%減らして59KBに減らし、操作を99.4%減らした。デプロイメントの可視性の分析から、最適化されたモデルでは、CubeSat RAMのわずか0.36-6.25%しか必要とせず、高度に制約されたハードウェア上でも、オンボードの異常検出を実用的なものにしている。本研究は、高度な異常検出能力を宇宙船エッジコンピューティングの制約内に配置し、ハードウェアの制限を越えずにほぼ瞬時に検出し、ミッション安全性を損なうことを実証する。

関連論文リスト

Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文参考訳（メタデータ） (2026-03-29T12:26:35Z)
SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms [6.921143850808118]
周波数領域の時間-時間波分解を統合した新しいスペクトル融合フレームワークを提案する。複雑なキャリブレーションに頼ることなく、IMUデータを介してリアルタイムに予測を洗練する。 3.2cmの予測誤差、4.46cmの着陸偏差、98.7% / 87.5%の成功率(2000/実世界)、82msの組込みハードウェアの遅延を達成し、44%-48%の精度で最先端の手法より優れている。
論文参考訳（メタデータ） (2026-02-17T15:03:05Z)
SCAFusion: A Multimodal 3D Detection Framework for Small Object Detection in Lunar Surface Exploration [18.857802421595235]
本稿では,月面ロボット探査に適したマルチモーダル3次元物体検出モデルであるSCAFusionを提案する。パラメータの無視的増加により,本モデルは nuScenes 検証セット上で69.7% mAP と72.1% NDS を達成する。アイザック・シム (Isaac Sim) で作られた模擬月面環境では、SCAFusion は 90.93% mAP に達し、ベースラインを 11.5% 上回っている。
論文参考訳（メタデータ） (2025-12-27T07:08:03Z)
Dynamic Model Selection for Trajectory Prediction via Pairwise Ranking and Meta-Features [0.0]
最近の深い軌道予測器は、高い平均精度を達成したが、複雑な長距離運転シナリオでは信頼性が保たれている。物理インフォームドLSTM, トランスフォーマー, 微調整されたGameFormerのうち, もっとも信頼性の高い軌道予測器を適応的に選択する動的マルチエキスパートゲーティングフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-31T10:01:01Z)
Physical Adversarial Camouflage through Gradient Calibration and Regularization [48.064270454248316]
敵のカモフラージュは物体のテクスチャを偽検知器に変えて重大なセキュリティリスクを負う既存の技術は様々な物理的環境に苦しむ。勾配最適化に基づく新しい逆カモフラージュフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-07T14:07:49Z)
A Light Perspective for 3D Object Detection [46.23578780480946]
本稿では,最先端のDeep Learning技術を特徴抽出に取り入れた新しい手法を提案する。私たちのモデルであるNextBEVは、ResNet50やMobileNetV3といった既存の機能抽出ツールを超えています。これらの軽量な提案を融合することにより、VoxelNetベースのモデルの精度を2.93%向上し、PointPillarベースのモデルのF1スコアを約20%改善しました。
論文参考訳（メタデータ） (2025-03-10T10:03:23Z)
Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment [59.61554561979589]
エッジコンピューティングは、時間に敏感なシナリオでディープラーニングベースのオブジェクト検出をデプロイするための重要なパラダイムとして登場した。既存のエッジ検出手法では、軽量モデルによる検出精度のバランスの難しさ、適応性の制限、現実の検証の不十分といった課題に直面している。本稿では,汎用的なプラグイン・アンド・プレイコンポーネントを用いてエッジ環境にオブジェクト検出モデルを適用するエッジ検出ツールボックス(ED-TOOLBOX)を提案する。
論文参考訳（メタデータ） (2024-12-24T07:28:10Z)
Crack Detection in Infrastructure Using Transfer Learning, Spatial Attention, and Genetic Algorithm Optimization [3.1687473999848836]
亀裂検出は、道路、橋、建物などのインフラの維持と安全性において重要な役割を担っている。伝統的に手動検査が標準であったが、労働集約的で主観的で危険である。本稿では, 深層学習, 移動学習, 空間的注意機構, 遺伝的アルゴリズム(GA)最適化を活用した, インフラのひび割れ検出のための高度な手法を提案する。
論文参考訳（メタデータ） (2024-11-26T06:12:56Z)
An Autonomous Drone Swarm for Detecting and Tracking Anomalies among Dense Vegetation [3.6394530599964026]
ドローンの群れは、密集した目標を事実上検出し、追跡することができることを示す。 6機のドローンによる実生活実験で、平均位置精度は0.39m、平均精度は93.2%に達した。合成開口画像統合プロセスにセンサノイズを効果的に組み込むことができることを示す。
論文参考訳（メタデータ） (2024-07-15T14:31:21Z)
Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
論文参考訳（メタデータ） (2022-11-22T15:08:05Z)
An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文参考訳（メタデータ） (2022-09-20T15:18:13Z)

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。