論文の概要: Quantifying Uncertainty in Space Debris Capture with Active Tether-Net Systems Caused by Noisy Observations
- arxiv url: http://arxiv.org/abs/2606.07580v1
- Date: Tue, 26 May 2026 21:14:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.742385
- Title: Quantifying Uncertainty in Space Debris Capture with Active Tether-Net Systems Caused by Noisy Observations
- Title（参考訳）: 雑音観測によるアクティブテザネットシステムによる宇宙ゴミ捕獲の不確かさの定量化
- Authors: Feng Liu, Achira Boonrath, Eleonora M. Botta, Souma Chowdhury,
- Abstract要約: 操作可能なユニットを備えたアクティブテザネットシステムは、この問題に対する有望な解決策の1つである。
本稿では, これら2つの不確実性源の1つに焦点をあて, 結果の不確実性の伝播と定量化のためのパイプラインを提案する。
高忠実度シミュレータと低忠実度サロゲート環境を用いて、予測精度と不確実性解消の容易さのトレードオフを示す。
- 参考スコア（独自算出の注目度）: 8.825977169303206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As Low Earth Orbit has grown more crowded with space debris, the need for reliable and efficient debris removal solutions becomes more urgent. An active tether-net system with maneuverable units is one of the promising solutions to this problem, whose success is dependent on the robustness of the net maneuver and closing decisions. These in turn are impacted by the uncertainties attributed to i) noisy observation of the target debris state (e.g., sensing errors), and ii) imperfect simulations of the complex net dynamics and net/debris interaction behavior, over which the decision system is trained. This paper focuses on the first of these two uncertainty sources, and presents a pipeline to propagate and quantify the resulting uncertainty in the debris capture performance expressed in terms of Capture Quality Index (CQI). This quantification is uniquely performed for both an active tether-net using a fixed baseline control and one using a trained neuro-control policy to guide the net maneuver during the deployment phase. Two different uncertainty quantification (UQ) techniques, namely Sobol's variance-based sensitivity analysis and perturbation-based method are exploited. A high-fidelity simulator and a lower-fidelity surrogate-based environment are used to demonstrate trade-offs between prediction accuracy versus ease of resolving uncertainties.
- Abstract（参考訳）: 低地球軌道は宇宙デブリで混雑しているため、信頼性が高く効率的なデブリ除去ソリューションの必要性が高まっている。
操作可能なユニットを備えたアクティブテザネットシステムは、ネット操作の堅牢性や終了決定に依存した、この問題に対する有望な解決策の1つである。
これらの影響は、その原因となる不確実性によってもたらされる。
一 目標破片の状態(例えば、検知誤差)の騒音観測及び
二 複雑な網動力学及び網/波動相互作用の非完全なシミュレーションであって、意思決定システムが訓練されているもの。
本稿では, これら2つの不確実性源の1つに焦点をあて, 捕捉品質指標(CQI)で表される破片捕獲性能の不確かさを伝搬し, 定量化するためのパイプラインを提案する。
この定量化は、固定ベースライン制御を用いたアクティブテザネットと、トレーニングされたニューラルコントロールポリシーを用いて、展開フェーズ中のネット操作をガイドする双方で独自に行われる。
2つの異なる不確実性定量化(UQ)技術、すなわち、ソボルの分散に基づく感度分析と摂動に基づく方法を利用する。
高忠実度シミュレータと低忠実度サロゲート環境を用いて、予測精度と不確実性解消の容易さのトレードオフを示す。
関連論文リスト
- Overcoming "Physics Shock" in Earth Observation A Heteroscedastic Uncertainty Framework for PINN-based Flood Inference [0.29165586612027233]
リモートセンシングデータからの迅速かつ正確な洪水範囲マッピングは, 災害対応に不可欠である。
標準的なディープラーニングモデルは、水文学的な制約が欠如しているため、物理的に不可能な予測を生成することが多い。
本研究では,地球観測に特化した新しい不確実性対応PINNフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-22T18:14:17Z) - Robust Multi-Agent Target Tracking in Intermittent Communication Environments via Analytical Belief Merging [2.3559161556025887]
本稿では,分散的信念統合問題をForwardとReverse Kullback-Leibler (KL)の分散最適化として定式化する。
これらの導出を配置することにより、最適化アーティファクトを数学的に排除し、完璧な数学的忠実性を達成する。
本研究では,空間的に認識された訪問重み付きKLマージ戦略を提案し,その物理的訪問履歴に基づいてエージェントの信念を動的に評価する。
論文 参考訳（メタデータ） (2026-04-08T20:27:48Z) - CAAL: Confidence-Aware Active Learning for Heteroscedastic Atmospheric Regression [7.951744148676244]
大気汚染の健康と気候への影響の定量化は、毒性や湿潤度といった大気中の重要な粒子の性質に依存している。
これらの性質は一般に複雑な観測技術や高価な粒子分解数値シミュレーションを必要とする。
本研究では,高効率かつ堅牢なサンプル選択のための信頼度対応能動学習フレームワーク(CAAL)を提案する。
論文 参考訳（メタデータ） (2026-02-12T11:09:58Z) - Agentic Uncertainty Quantification [76.94013626702183]
本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。
システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
論文 参考訳（メタデータ） (2026-01-22T07:16:26Z) - Towards Adversarial Robustness and Uncertainty Quantification in DINOv2-based Few-Shot Anomaly Detection [6.288045889067255]
DINOv2のような基礎モデルは、数発の異常検出において強い性能を示している。
本研究は, 敵攻撃と不確実性評価に関する最初の体系的研究である。
生の異常スコアは校正が不十分で、信頼性と正しさのギャップが明らかになり、安全クリティカルな使用が制限されることがわかりました。
論文 参考訳（メタデータ） (2025-10-15T15:06:45Z) - Alpha-VI DeepONet: A prior-robust variational Bayesian approach for enhancing DeepONets with uncertainty quantification [0.0]
一般化変分推論(GVI)を組み込んだ新しいディープオペレータネットワーク(DeepONet)を提案する。
分岐ネットワークとトランクネットワークのビルディングブロックとしてベイズニューラルネットワークを組み込むことで,不確実な定量化が可能なDeepONetを実現する。
変動目的関数の修正は平均二乗誤差を最小化する点で優れた結果をもたらすことを示す。
論文 参考訳（メタデータ） (2024-08-01T16:22:03Z) - Uncertainty Quantification for Forward and Inverse Problems of PDEs via
Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。
本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。
提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文 参考訳（メタデータ） (2024-02-13T11:22:59Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳（メタデータ） (2021-02-23T20:59:30Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳（メタデータ） (2020-06-28T13:49:30Z)
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。