論文の概要: Continuous-Time Probabilistic Correctors for Uncertainty-Aware Physics-Based Spacecraft Trajectory Forecasting

• arxiv url: http://arxiv.org/abs/2606.21021v1
• Date: Fri, 19 Jun 2026 01:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 08:57:49.212671
• Title: Continuous-Time Probabilistic Correctors for Uncertainty-Aware Physics-Based Spacecraft Trajectory Forecasting
• Title（参考訳）: 不確実性を考慮した宇宙機軌道予測のための連続時間確率補正器
• Authors: Muhammad Bilal Shahid, Zhanhong Jiang, Soumik Sarkar, Cody Fleming,
• Abstract要約: ロングホライゾンの宇宙船軌道予測は、予測系における補正観測の欠如により誤差の蓄積に悩まされる。 物理ベースの連続時間 $textitdeterministic$ forecaster を学習した連続時間 $textitprobabilistic$ Corrector で拡張するPredictor-Corrector フレームワークを紹介した。 提案手法は,NASAのリアルタイムデータを用いて,長期衛星軌道予測の枠組みを評価するものである。
• 参考スコア（独自算出の注目度）: 7.565108739173396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon spacecraft trajectory forecasting suffers from error accumulation due to the absence of corrective observations in the forecast regime, making reliable uncertainty estimation crucial for safety-critical decision-making such as space domain awareness and conjunction assessment. While high-fidelity physics-based orbit propagators provide accurate deterministic forecasts, they typically lack calibrated uncertainty estimates over long horizons. We introduce a Predictor--Corrector framework in which a physics-based continuous-time $\textit{deterministic}$ forecaster is augmented with a learned continuous-time $\textit{probabilistic}$ Corrector that models forecast errors. The proposed Corrector can be wrapped around an existing deterministic propagator to improve forecast accuracy while producing sharp and calibrated full-covariance uncertainty estimates. The Corrector is based on Latent Neural Controlled Differential Equations (Latent NCDEs) and models the probabilistic temporal evolution of forecast errors in continuous time, naturally supporting irregular sampling and missing features. We further introduce a loss function that promotes calibration and sharpness in long-horizon uncertainty propagation. We evaluate the proposed framework on long-horizon spacecraft trajectory forecasting using real-world data from NASA's Crustal Dynamics Data Information System (CDDIS), wrapping the Corrector around NASA's General Mission Analysis Tool (GMAT). Across forecast horizons of 2--4 days without observations and six rolling test windows, the proposed approach consistently improves accuracy and uncertainty calibration compared to deterministic baselines and Latent ODE-based correctors, demonstrating the effectiveness of the continuous-time probabilistic Corrector for trajectory forecasting.
• Abstract（参考訳）: ロングホライゾンの宇宙船軌道予測は、予測系における補正観測が欠如しているために誤差の蓄積に悩まされ、宇宙領域の認識や協調評価のような安全クリティカルな意思決定において、確実な不確実性推定が不可欠である。 高忠実度物理学に基づく軌道プロパゲータは正確な決定論的予測を提供するが、通常は長い地平線上でのキャリブレーションされた不確実性推定を欠いている。 我々は、物理ベースの連続時間 $\textit{deterministic}$ forecaster を学習した連続時間 $\textit{probabilistic}$ Corrector で拡張し、予測エラーをモデル化するPredictor-Correctorフレームワークを紹介した。 提案したCorrectorは、既存の決定論的プロパゲータにラップして予測精度を向上させるとともに、シャープで校正された完全共分散不確実性推定を生成する。 CorrectorはLatent Neural Controlled Differential Equations (Latent NCDEs)に基づいており、予測エラーの確率的時間的進化を連続的にモデル化し、不規則なサンプリングと欠落した特徴を自然にサポートしている。 さらに,長距離不確実性伝播におけるキャリブレーションとシャープネスを促進する損失関数を導入する。 我々は,NASAの地殻変動データ情報システム(CDDIS)の実際のデータを用いて,NASAの一般ミッション解析ツール(GMAT)の周囲にCorrectorをラップして,長距離宇宙船軌道予測の枠組みを評価する。 観測のない2～4日間の予測地平線と6つの転がり試験窓において,提案手法は決定論的ベースラインや遅延ODEベースの補正よりも精度と不確かさの校正を一貫して改善し,連続時間確率補正による軌道予測の有効性を実証した。

関連論文リスト

• Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning [4.546517638153619]
  既存の軌道予測器は主に負の対数的損失に依存しており、これは過度あるいは過度に信頼される分布を予測しがちである。 本稿では,予測の不確実性を校正する新たな損失関数を提案する。 提案手法は,異なる状態領域のガウス軌道予測器によって予測される信頼度の信頼性を著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-03-11T04:42:49Z)
• Physically consistent and uncertainty-aware learning of spatiotemporal dynamics [44.27000400517127]
  物理制約を強制する物理一貫性ニューラル演算子(PCNO)を導入する。 PCNO内の物理一貫性プロジェクション層は、フーリエ空間における質量運動量保存を効率的に計算する。 また,拡散一貫性モデルを用いて不確実性を定量化し定量化するDiffPCNOを提案する。
  論文  参考訳（メタデータ） (2025-10-23T22:17:21Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Comparison of Uncertainty Quantification with Deep Learning in Time Series Regression [7.6146285961466]
  本稿では,気象時系列データと異なる不確実性推定手法を比較した。 その結果,各不確実性推定手法が予測タスクに与える影響が示された。
  論文  参考訳（メタデータ） (2022-11-11T14:29:13Z)
• Probabilistic Symmetry for Multi-Agent Dynamics [18.94585103009698]
  本稿では,多エージェント軌道の確率論的予測のための新しい動的モデルである確率的同変連続共進化(PECCO)を提案する。 PECCOは、非同変ベースラインに比べて精度とキャリブレーションが大幅に向上した。
  論文  参考訳（メタデータ） (2022-05-04T07:51:08Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Evaluation of Machine Learning Techniques for Forecast Uncertainty Quantification [0.13999481573773068]
  アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。 アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。 本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
  論文  参考訳（メタデータ） (2021-11-29T16:52:17Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。