論文の概要: Velocity-coupled Representation Refinement for Satellite Orbit Prediction
- arxiv url: http://arxiv.org/abs/2608.23728v1
- Date: Mon, 24 Aug 2026 18:14:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.506514
- Title: Velocity-coupled Representation Refinement for Satellite Orbit Prediction
- Title（参考訳）: 衛星軌道予測のための速度結合型表現再構成
- Abstract要約: 正確な衛星軌道予測のための速度認識型表現学習法OrbitNetを提案する。
衛星状態変数間の関係を利用して、従来の位置系列予測を位置速度結合表現学習パラダイムに引き上げる。
大規模な実験により、OrbitNetは大規模な時系列基盤モデルや一般的な予測手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 24.947883611657428
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellite orbit prediction, which aims to forecast future orbital trajectories from historical observations, is important for collision warning and safe space operations. With advances in time-series forecasting, learning-based methods have emerged as a promising solution for satellite prediction. In orbital dynamics, a satellite state is typically described by position and velocity, where position characterizes trajectory geometry and velocity reflects its instantaneous direction and rate of change. However, most existing methods mainly focus on temporal dependencies within position sequences while rarely exploiting the intrinsic coupling between position and velocity, which is essential for modeling satellite motion. To this end, we propose OrbitNet, a velocity-aware representation learning method for accurate satellite orbit prediction. It lifts conventional position-sequence forecasting to a position-velocity coupled representation learning paradigm by exploiting relationships among satellite state variables. Specifically, we develop a velocity-coupled representation refinement strategy to enhance positional representations through cross-variable interactions between position and velocity. We further introduce orbital segment modeling, which partitions historical trajectories into temporal segments and performs segment-level temporal learning to capture local motion variations and long-range evolution patterns. Extensive experiments show that OrbitNet outperforms large time-series foundation models and representative general forecasting methods under both in-domain evaluation on Starlink and zero-shot evaluation across six unseen satellite constellations. We expect this work to encourage further exploration of satellite-aware representation learning for trajectory time-series forecasting.
- Abstract（参考訳）: 衛星軌道予測は、過去の観測から将来の軌道軌道を予測することを目的としており、衝突警報や安全な宇宙活動において重要である。
時系列予測の進歩に伴い、衛星予測のための有望なソリューションとして学習ベースの手法が出現している。
軌道力学では、衛星の状態は位置と速度によって記述されるのが一般的であり、軌道幾何学と速度を特徴付ける位置はその瞬間的な方向と変化の速度を反映している。
しかし、既存のほとんどの手法は、位置列内の時間的依存関係に重点を置いているが、衛星の動きをモデル化するのに欠かせない位置と速度の本質的な結合を利用することはない。
そこで我々は,正確な衛星軌道予測のための速度認識型表現学習法OrbitNetを提案する。
衛星状態変数間の関係を利用して、従来の位置系列予測を位置速度結合表現学習パラダイムに引き上げる。
具体的には,速度結合型表現洗練戦略を開発し,位置と速度の間の相互に可変な相互作用を通じて位置表現を強化する。
さらに,従来の軌道を時間的セグメントに分割する軌道セグメントモデリングを導入し,局所的な動きの変動や長距離進化パターンを捉えるためにセグメントレベルの時間的学習を行う。
大規模な実験により、OrbitNetは6つの衛星星座の領域内評価とゼロショット評価の両方において、大規模な時系列基盤モデルと一般的な予測方法より優れていることが示された。
本研究は,軌道時系列予測のための衛星対応表現学習のさらなる探求を期待する。
関連論文リスト
- FM-ChangeNet: Learning Change through Pathwise Feature Transport [0.28675177318965045]
FM-ChangeNetは、変更検出のためのパスワイズ管理フレームワークである。
中間潜時状態を構築し,時間条件付速度場を学習する。
リモートセンシングベンチマークの実験では、提案するフレームワークがより構造化され、堅牢な変更表現を生成することが示されている。
論文 参考訳（メタデータ） (2026-07-06T07:42:58Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - SHARP: Short-Window Streaming for Accurate and Robust Prediction in Motion Forecasting [53.74101174559609]
本稿では,進化するシーンに特化して焦点をあてた,ストリーミングベースの新たな動き予測フレームワークを提案する。
本手法は,入ってくる観測ウィンドウを段階的に処理し,インスタンス対応コンテキストストリーミングを利用して潜時エージェント表現の維持と更新を行う。
我々のモデルは,Argoverse 2マルチエージェントベンチマークのストリーミング推論における最先端性能を実現し,遅延を最小限に抑えながら,実世界の展開に適していることを強調した。
論文 参考訳（メタデータ） (2026-03-30T06:47:19Z) - SKETCH: Semantic Key-Point Conditioning for Long-Horizon Vessel Trajectory Prediction [3.870589001283509]
セマンティックキーポイント条件付き軌道モデリングフレームワークを提案する。
長距離予測を大域的意味決定と局所運動モデリングに分解する。
実世界のAISデータを用いた実験では,提案手法が常に最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2026-01-26T14:42:31Z) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
提案手法は,既存手法の予測性能を常に向上することを示す。
論文 参考訳（メタデータ） (2022-04-12T14:59:48Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - Exploring Dynamic Context for Multi-path Trajectory Prediction [33.66335553588001]
動的コンテキストネットワーク(DCENet)という新しいフレームワークを提案する。
本フレームワークでは,エージェント間の空間的コンテキストを自己注意型アーキテクチャを用いて探索する。
学習した空間的時間的文脈に基づいて、各エージェントに対する将来の軌跡のセットを条件付きで予測する。
論文 参考訳（メタデータ） (2020-10-30T13:39:20Z) - The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
本稿では,船体移動軌跡予測の教師なし手法を提案する。
これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。
多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
論文 参考訳（メタデータ） (2020-07-27T17:45:21Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。