論文の概要: Orbit-Planner: Towards Latent World Models for On-Orbit Obstacle Avoidance of Satellite Agents

• arxiv url: http://arxiv.org/abs/2608.16651v1
• Date: Mon, 17 Aug 2026 14:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.752946
• Title: Orbit-Planner: Towards Latent World Models for On-Orbit Obstacle Avoidance of Satellite Agents
• Title（参考訳）: 軌道プランナー:衛星エージェントの軌道上の障害物回避のための潜在世界モデルに向けて
• Abstract要約: 軌道上の障害物回避のための2段階の遅延世界モデルOrbit-Plannerを提案する。 実験では、Orbit-Plannerが長期の潜伏ロールアウトを実行し、想像上の軌道から物理的状態を回復できることが示されている。 アイザック・シムの閉ループ障害物回避航法では91.7%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 19.525634655319973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite agents for on-orbit navigation tasks need to predict collision risks using limited onboard observations. However, conventional planners often rely on predefined maps and fixed environmental assumptions, limiting their adaptability in dynamic on-orbit scenarios. In this paper, we propose Orbit-Planner, a two-stage latent world model for on-orbit obstacle avoidance. Orbit-Planner learns action-conditioned spacecraft dynamics to perform future-state rollouts in latent space, and introduces a Physics Probe to decode physical state changes from imagined latent trajectories. Experiments demonstrate that Orbit-Planner can perform long-horizon latent rollouts and recover physical states from imagined trajectories. In closed-loop obstacle-avoidance navigation in Isaac Sim, it attains a success rate of 91.7%. Code is available at https://github.com/ZhijianLi2003/Orbit_Planner.
• Abstract（参考訳）: 軌道上のナビゲーションタスクのための衛星エージェントは、限定されたオンボード観測を使用して衝突リスクを予測する必要がある。 しかし、従来のプランナーはしばしば事前に定義された地図と固定された環境仮定に頼り、動的軌道上のシナリオにおける適応性を制限する。 本論文では,軌道上の障害物回避のための2段階の潜在世界モデルOrbit-Plannerを提案する。 Orbit-Plannerは、動作条件付き宇宙船のダイナミクスを学び、潜在空間で将来の状態のロールアウトを行い、推察された潜在軌道から物理的状態の変化を復号する物理プローブを導入する。 実験では、Orbit-Plannerが長期の潜伏ロールアウトを実行し、想像上の軌道から物理的状態を回復できることが示されている。 アイザック・シムの閉ループ障害物回避航法では91.7%の成功率を達成した。 コードはhttps://github.com/ZhijianLi2003/Orbit_Plannerで公開されている。

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)
• Uncertainty-Aware World Model for Aerial Image-Goal Navigation [49.01078106635952]
  不確実性認識ナビゲーションワールドモデル(英: Uncertainty-Aware Navigation World Model、UA-NWM)は、空中画像ゴールナビゲーションのための効率的な潜在世界モデルである。 予測-ゴールの相違を不確実で説明不能なコンポーネントに分解する。 推論レイテンシを低く保ちながら、既存のナビゲーションワールドモデルより一貫して優れています。
  論文  参考訳（メタデータ） (2026-08-06T04:43:53Z)
• Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
  Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。 表現の崩壊を防ぎ、アクション整列表現を誘導する。 コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
  論文  参考訳（メタデータ） (2026-06-18T11:25:16Z)
• Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
  GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。 Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
  論文  参考訳（メタデータ） (2026-03-13T05:42:18Z)
• 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)
• Agile Tradespace Exploration for Space Rendezvous Mission Design via Transformers [22.891825351056823]
  宇宙船のランデブーは軌道上でのサービスとデブリの除去を可能にし、スケーラブルな宇宙経済の基礎を形成している。 本稿では,幅広い飛行時間のミッションを設計するための枠組みを提案する。 このフレームワークは、より少ないイテレーションでソリューションに一般化する高品質な初期推定を提供する。
  論文  参考訳（メタデータ） (2025-10-03T22:28:46Z)
• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• Precise and Efficient Orbit Prediction in LEO with Machine Learning using Exogenous Variables [1.9336815376402723]
  地球の軌道における宇宙物体の量の増加は、宇宙状況認識(Space situational Awareness, SSA)にとって重要な課題である。 正確な軌道予測は、宇宙物体の位置と速度を予測し、衝突回避と宇宙デブリの緩和のために重要である。 機械学習と時系列技術を用いることで、計算コストが非常に低い位置決め誤差を発生させることができることを示す。
  論文  参考訳（メタデータ） (2024-07-03T07:12:33Z)
• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• SpaceYOLO: A Human-Inspired Model for Real-time, On-board Spacecraft Feature Detection [0.0]
  衝突の危険箇所を特定するためには、リアルタイムで自動的な宇宙船の特徴認識が必要である。 新しいアルゴリズムSpaceYOLOは、最先端のオブジェクト検出器YOLOv5を、人間にインスパイアされた意思決定プロセスに基づいて、別個のニューラルネットワークで融合する。 SpaceYOLOの自律型宇宙船検出の性能は、ハードウェア・イン・ザ・ループ実験において通常のYOLOv5と比較される。
  論文  参考訳（メタデータ） (2023-02-02T02:11:39Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。 我々は、車や歩行者の軌道予測をベンチマークする。 私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)

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。