論文の概要: Fleet-To-Lab: A Transfer Learning Framework For Lunar Rover Slippage Estimation Via Model Fusion

• arxiv url: http://arxiv.org/abs/2609.17187v1
• Date: Tue, 15 Sep 2026 13:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.5478
• Title: Fleet-To-Lab: A Transfer Learning Framework For Lunar Rover Slippage Estimation Via Model Fusion
• Title（参考訳）: Fleet-To-Lab: モデル融合による月面すべり推定のための伝達学習フレームワーク
• Abstract要約: Fleet-to-Labは、将来のデプロイ可能なユニットのスリップ推定における地球-月領域のギャップを軽減するための移行学習フレームワークである。 本稿では,AcoMergeを提案する。AcoMergeは,エキスパートパラメータの最適共生国を探索し,モデル融合を行うハイブリッドSwarmインテリジェンスアルゴリズムである。
• 参考スコア（独自算出の注目度）: 0.1666604949258699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate wheel slip estimation is essential for autonomous lunar rover mobility and navigation. Machine Learning models trained on terrestrial data generalize poorly to lunar terrain, and real lunar datasets are scarce due to the limited number of missions and costly data acquisition. We present Fleet-to-Lab, a transfer learning framework that leverages proprioceptive data collected by previously deployed heterogeneous lunar rovers to mitigate the Earth-Moon domain gap in slip estimation for a future deployable unit. We fuse several heterogeneous expert models into a single architecture, using a modest dataset collected after the rover deployment. We propose AcoMerge, a new hybrid swarm-intelligence algorithm that performs model fusion by searching for an optimal combi- nation of expert parameters. Experiments conducted in a high- fidelity physics simulation show balanced accuracy and macro- F1 improvements compared to deep model fusion baselines. AcoMerge exhibits competitive performance with joint training on deep architectures, while achieving higher macro-F1 and balanced accuracy on a smaller model. Overall, our framework shows model fusion as a possible transfer learning alternative for slippage estimation in space robotic missions with limited data.
• Abstract（参考訳）: 自動月面ローバーの移動と航行には正確な車輪すべり推定が不可欠である。 地上データに基づいてトレーニングされた機械学習モデルは、月の地形を十分に一般化しておらず、実際の月のデータセットは限られたミッション数と高価なデータ取得のために不足している。 我々は、以前に展開された異種月面ローバーによって収集された固有受容データを利用して、将来の展開可能なユニットの地球-月領域間隙を緩和する転送学習フレームワークであるFleet-to-Labを提案する。 ローバー展開後に収集した控えめなデータセットを使用して、異種の専門家モデルを単一のアーキテクチャに融合する。 本稿では,AcoMergeを提案する。AcoMergeは,エキスパートパラメータの最適共生国を探索し,モデル融合を行うハイブリッドSwarmインテリジェンスアルゴリズムである。 高忠実度物理シミュレーションで行った実験では、深層モデルの核融合ベースラインと比較して精度とマクロF1の改善が見られた。 AcoMergeは、より高度なマクロF1とより小さなモデルでのバランスの取れた精度を達成しながら、ディープアーキテクチャのジョイントトレーニングと競合するパフォーマンスを示す。 全体として、我々のフレームワークは、限られたデータしか持たない宇宙ロボットミッションにおけるすべり面推定の代替としてモデル融合が可能であることを示している。

関連論文リスト

• GPU-Accelerated Astrodynamics World Models for Spacecraft Rendezvous and Proximity Operations [21.666726162280696]
  本稿では,協力的・非協力的な宇宙船ランデブーと近接操作に対する世界モデルに基づくアプローチを提案する。 まず、JAXベースのISSドッキング環境を導入し、宇宙船軌道の並列GPUシミュレーションと姿勢ダイナミクスをサポートする。 第2に,トランスフォーマーをベースとした世界モデルであるOut-of-This-World-Modelを導入する。 第3に、ISSと自律ドッキングするカプセルへのアプローチをゾーン制限下で適用し、サンプル効率とタスク性能の向上を実証する。
  論文  参考訳（メタデータ） (2026-09-02T18:39:40Z)
• Pretrained Approximators for Low-Thrust Trajectory Cost and Reachability [5.344101367376109]
  低推力軌道設計は燃料消費と輸送能力の繰り返し評価に大きく依存している。 本研究では、これらの量を機械学習サロゲートによって正確に近似し、高速でスケーラブルな評価を可能にすることを示す。 提案モデルでは, 単変速機および多変速機の最適燃料消費と最小移動時間を正確に予測する。
  論文  参考訳（メタデータ） (2026-05-26T10:01:45Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Mitigating Data Scarcity in Spaceflight Applications for Offline Reinforcement Learning Using Physics-Informed Deep Generative Models [0.0]
  宇宙飛行では、高コストで限られた惑星探査データのために、現実世界の訓練データが不足している。 システム識別や合成データ生成といった従来の手法は十分なデータに依存しており、仮説のモデル化や物理に基づく制約の欠如によってしばしば失敗する。 生成モデルに物理に基づく学習バイアスを導入することを提案し、特に、観測されたシステム軌跡と物理ベースのモデルで予測されるものとの違いを学習する物理インフォームドVAE(MI-VAE)を開発した。
  論文  参考訳（メタデータ） (2026-04-02T18:09:11Z)
• UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
  UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。 我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。 本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-03T16:06:27Z)
• MiMo-Embodied: X-Embodied Foundation Model Technical Report [53.335119478104644]
  私たちはMiMo-Embodiedをオープンソースとして公開しました。 MiMo-Embodiedはタスクプランニング、アフォーマンス予測、空間理解において17のAIベンチマークにまたがる新たな記録を設定している。 これらのタスク全体で、MiMo-Embodiedは既存のオープンソース、クローズドソース、および特別なベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-20T16:34:55Z)
• Open-Source High-Speed Flight Surrogate Modeling Framework [0.0]
  高速飛行車は音速よりもはるかに速く走行し、国防と宇宙探査に不可欠である。 様々な飛行条件下での行動の正確な予測は困難であり、しばしば高価である。 提案されたアプローチでは、より賢く、より効率的な機械学習モデルを作成する。
  論文  参考訳（メタデータ） (2024-11-06T01:34:06Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
  本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。 我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
  論文  参考訳（メタデータ） (2023-10-28T10:19:55Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)

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。