論文の概要: Neural operator learning for collision-aware trajectory planning of spacecraft swarms

• arxiv url: http://arxiv.org/abs/2608.00320v1
• Date: Fri, 31 Jul 2026 22:10:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.584238
• Title: Neural operator learning for collision-aware trajectory planning of spacecraft swarms
• Title（参考訳）: 宇宙船群における衝突を考慮した軌道計画のためのニューラル演算子学習
• Abstract要約: 我々は、宇宙船、ターゲット、デブリを1回の前方通過で群全体の衝突認識軌道にマッピングする置換同変ニューラル演算子を導入する。 オペレーターは最適な軌道ラベルなしで訓練され、自己監督された物理目標と自身のロールアウトに対して発生する敵の脅威を組み合わせる。 11,000以上のカタログ化されたオブジェクトの中で、ゼロショットを1000個の群れに一般化し、エージェントごとの最適制御ソルバの精度と一致し、破片のブラインドベースラインが不可能な最悪の脅威を回避し、群れ内の近さを数倍に減らした。
• 参考スコア（独自算出の注目度）: 6.404845149899844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous spacecraft swarms must plan fuel-efficient, collision-free maneuvers in increasingly congested orbits, yet classical trajectory optimization scales poorly as pairwise safety constraints multiply with swarm size, and learning-based planners rarely transfer across swarm sizes or debris densities. Here we introduce a permutation-equivariant neural operator that maps distributions of spacecraft, targets and debris to collision-aware trajectories for an entire swarm in a single forward pass, paired with a batched Gauss-Newton finish that enforces exact orbital dynamics. The operator is trained without optimal-trajectory labels, combining self-supervised physics objectives with adversarial threats generated against its own rollouts. Trained on ten spacecraft, it generalizes zero-shot to swarms of 1,000 amid more than 11,000 catalogued objects, matching a per-agent optimal-control solver's accuracy, evading worst-case threats that a debris-blind baseline cannot, and reducing proximity within the swarm several-fold. Physics-grounded operator learning thus offers a fast, scalable alternative to optimal control for crowded orbits.
• Abstract（参考訳）: 自律的な宇宙船群は、ますます混雑する軌道上で、燃料効率が良く、衝突のない操作を計画しなければならないが、古典的な軌道最適化は、スワムサイズに乗じてペアの安全性の制約を増大させるため、スケールが悪く、学習ベースのプランナーは、スワムサイズやデブリ密度を横切ることはめったにない。 ここでは、宇宙船、ターゲット、デブリの分布を単一の前方通過でスウォーム全体の衝突認識軌道にマッピングし、正確な軌道力学を強制するバッチ化されたガウス・ニュートンフィニッシュと組み合わせる置換同変ニューラル演算子を提案する。 オペレーターは最適な軌道ラベルなしで訓練され、自己監督された物理目標と自身のロールアウトに対して発生する敵の脅威を組み合わせる。 10機の宇宙船で訓練され、11,000個以上のカタログ化された物体の中で、ゼロショットを1000個以上の群れに一般化し、エージェントごとの最適制御ソルバの精度と一致し、破片のブラインドベースラインが不可能な最悪の脅威を回避し、群れ内の近さを数倍に減らした。 物理基底演算子学習は、混雑した軌道に対する最適制御の高速でスケーラブルな代替手段を提供する。

関連論文リスト

• Satellite Trajectory Optimization via Proximal Policy Optimization for Space Debris Avoidance [0.0]
  決定論的GEOの1000エピソードにおいて、エージェントは97.5%の衝突回避成功率を達成する。 我々は,サン/ムーンの3体摂動,燃料依存推力,破片場を用いてニュートンの2体力学をシミュレートした。 私たちの仕事はhttps://purl.org/sat-trajectory-avoidance.orgで公開されているフレームワークです。
  論文  参考訳（メタデータ） (2026-08-10T14:09:16Z)
• World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
  Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。 内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。 nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
  論文  参考訳（メタデータ） (2026-07-12T07:44:16Z)
• Ergodic Trajectory Design by Learned Pushforward Maps: Provable Coverage via Conditional Flow Matching [3.1807155456602274]
  エンフェゴディックのカバレッジ問題は、UAVが支援するデータ収集とセンシング、ロボット探査、モバイル監視の中心である。 飛行エージェントでは、トラジェクトリーはエネルギー予算の厳格化、飛行禁止ゾーン、加速限界のバランスをとる必要がある。 本稿では,エルゴディディティを密度マッチングから切り離すエフェプシュフォワードフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T06:34:08Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
  RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。 様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。 強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:44Z)
• Optimizing Mission Planning for Multi-Debris Rendezvous Using Reinforcement Learning with Refueling and Adaptive Collision Avoidance [22.261628532402067]
  本研究では, アクティブデブリ除去ミッションにおける適応衝突回避のための強化学習に基づく枠組みを提案する。 小型衛星は、柔軟性、コスト効率、操縦性から採用され、ADRのようなダイナミックなミッションに適している。 このフレームワークは、補給戦略、効率的なミッション計画、適応衝突回避を統合し、宇宙船のランデブー操作を最適化する。
  論文  参考訳（メタデータ） (2026-02-04T21:49:20Z)
• Optimal Trajectory Planning for Orbital Robot Rendezvous and Docking [2.666234597824067]
  人工衛星に搭載されたロボットマニピュレータを用いた宇宙ゴミ除去ミッションでは、安全にタンブリングターゲットに接近することが重要な課題である。 本研究では, 近距離ランデブーの非線形最適化に基づく軌道計画手法を提案し, 自由浮遊回転するデブリ物体をマニピュレータの作業空間に導入する。 提案手法では, 接近条件に応じて適応し, ターゲットに近づき, より安全なアクセスを可能にするダイナミック・キープアウト・スフィアを導入する。
  論文  参考訳（メタデータ） (2025-12-26T06:11:54Z)
• NoTVLA: Narrowing of Dense Action Trajectories for Generalizable Robot Manipulation [54.87964060934928]
  VLA(Vision-Language-Action)モデルは、現実の展開において重要な障壁に直面している。 本稿では,軌道の狭小化に焦点を絞った新しい手法として,軌道の狭小化(Narrowing of Trajectory)VLAフレームワークを提案する。 NoTVLAは2つのクリティカルな制約の下で動作しながら、pi0よりも優れたパフォーマンスと一般化を実現している。
  論文  参考訳（メタデータ） (2025-10-04T18:26:55Z)
• On-orbit Servicing for Spacecraft Collision Avoidance With Autonomous Decision Making [0.0]
  本研究は、宇宙船衝突回避演習(CAM)を支援するために、AIによるOOSミッションの実装を開発する。 本稿では、RL(Reinforcement Learning)を用いて訓練された自律型サーベイラを提案し、ターゲット衛星と宇宙デブリの衝突を自律的に検出し、絶滅危惧衛星とのランデブーとドッキングを行い、最適なCAMを実行する。
  論文  参考訳（メタデータ） (2024-09-25T17:40:37Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)
• Imitation Learning for Autonomous Trajectory Learning of Robot Arms in Space [13.64392246529041]
  実演や模倣学習によるプログラミングの概念は、小型宇宙船に搭載されたマニピュレータの軌道計画に使用される。 7自由度(DoF)を持つロボットアームは、将来の宇宙ミッションにおける自律性の向上と地上制御による人間の介入の最小化のために、デブリ除去、軌道上サービス、組み立てといった複数のタスクを実行するために構想されている。
  論文  参考訳（メタデータ） (2020-08-10T10:18:04Z)

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。