論文の概要: VISTA: An Attention-Based Multi-Agent Reinforcement Learning Architecture for Space Situational Awareness Sensor Tasking

• arxiv url: http://arxiv.org/abs/2609.23875v1
• Date: Sun, 20 Sep 2026 21:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.011021
• Title: VISTA: An Attention-Based Multi-Agent Reinforcement Learning Architecture for Space Situational Awareness Sensor Tasking
• Title（参考訳）: VISTA:空間環境認識センサタスクのための注意に基づく多言語強化学習アーキテクチャ
• Abstract要約: 持続的不確実性駆動型カタログ保守のための拡張性のある深層強化学習アーキテクチャであるVISTAを紹介する。 固定サイズの単一センサベンチマークから、大規模空間ベースタスクや異種協調センシングまで、さまざまなシナリオでVISTAを評価する。
• 参考スコア（独自算出の注目度）: 0.1957338076370071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of resident space objects is increasing the complexity of space situational awareness sensor tasking, challenging classical optimization methods as they allocate finite, heterogeneous, and distributed sensing resources across ever-larger catalogues. Existing deep reinforcement learning approaches show promise in reduced settings, but fixed-dimensional state and action representations limit their ability to scale to large, dynamic catalogues and distributed sensing networks. We introduce VISTA (Variable-Entity Intelligent Sensor Tasking Architecture), a scalable deep reinforcement learning architecture for persistent uncertainty-driven catalogue maintenance across variable object populations and sensor configurations. VISTA combines physics- and mission-informed top-K retrieval with entity-centric attention, recurrent memory, and pointer-based action decoding, thereby keeping each agent's observation and action spaces independent of catalogue size. We evaluate VISTA across different scenarios, from fixed-size single-sensor benchmarks to large-scale space-based tasking and heterogeneous cooperative sensing. With 30 orbiting targets, VISTA recovers the catalogue 31.2% faster than the fixed-dimensional recurrent baseline. In the large-scale regime, VISTA reduces five-hour uncertainty by 97.5% relative to the strongest classical reference and by 99.3% relative to the recurrent learner. Zero-shot tests up to 20,000 objects reveal near-linear relations between sensing capacity, catalogue size, and recovery horizon. Learned policies also exhibit sensor modality adaptation and generalization to population and initial-uncertainty shifts. Together, these results demonstrate that VISTA provides a scalable framework for adaptive space situational awareness sensor tasking across large, distributed networks of heterogeneous ground- and space-based sensors.
• Abstract（参考訳）: 居住空間オブジェクトの急速な成長は、空間状況認識センサタスクの複雑さを増し、より大規模なカタログにまたがる有限で異質で分散センシングリソースを割り当てる古典的な最適化手法に挑戦している。 既存の強化学習アプローチでは、設定の削減が期待できるが、固定次元の状態とアクション表現は、大規模で動的カタログや分散センシングネットワークにスケールする能力を制限する。 VISTA(Variable-Entity Intelligent Sensor Tasking Architecture)は、可変オブジェクト集団とセンサ構成をまたいだ永続的な不確実性駆動型カタログ保守のためのスケーラブルな深層強化学習アーキテクチャである。 VISTAは物理とミッションインフォームされたトップK検索とエンティティ中心の注意、リカレントメモリ、ポインタベースのアクションデコーディングを組み合わせることで、各エージェントの観察とアクション空間をカタログサイズとは独立に維持する。 固定サイズの単一センサベンチマークから、大規模空間ベースタスクや異種協調センシングまで、さまざまなシナリオでVISTAを評価する。 30の軌道目標を持つVISTAは、固定次元のリカレントベースラインよりも31.2%速くカタログを復元する。 大規模な体制下では、VISTAは5時間の不確実性を最強の古典的参照に対して97.5%、反復学習者に対して99.3%削減する。 最大2万点までのゼロショットテストでは、感知能力、カタログサイズ、リカバリ地平線とのほぼ直線的な関係が明らかになった。 学習された政策はまた、センサ・モダリティ適応と集団への一般化と初期不確実性シフトを示す。 これらの結果から,VISTAは多種多様な地上・空間センサの大規模分散ネットワークを横断する適応的空間状況認識センサのためのスケーラブルなフレームワークを提供することが示された。

関連論文リスト

• CoRE-VLA: Towards Scalable and Robust Vision-Language-Action Modeling via Conditional Routing of Experts [79.70951193831506]
  視覚言語アクション(VLA)モデルには高度な汎用ロボット操作があるが、現実の展開は根本的な課題である。 本稿では、コンテキスト条件付きスパース計算としてアクション生成を定式化する、スケーラブルな計算と堅牢なVLAフレームワークであるCoRE-VLAを提案する。 LIBERO、RoboCasa GR1 Tabletop、および実世界のデュアルアーム操作の実験により、CoRE-VLAは長距離およびマルチタスクのベンチマークで強い結果が得られることが示された。
  論文  参考訳（メタデータ） (2026-07-04T03:58:09Z)
• AeroVerse-SatAgent: UAV-Satellite Collaborative Spatial Reasoning Inspired by the Dual Visual Pathway Theory of Cognitive Neuroscience [32.90229217189434]
  本稿では,UAV-サテライト共同空間推論モデルであるSatAgentを提案する。 SatAgentは衛星とUAVの視点を活用することで、複雑な都市環境で堅牢で正確な推論を可能にする。 大規模なUAV-サテライト共同空間推論データセットであるSatAgent-SR130Kを構築した。
  論文  参考訳（メタデータ） (2026-06-30T10:46:23Z)
• Are VLMs Lost Between Sky and Space? LinkS$^2$Bench for UAV-Satellite Dynamic Cross-View Spatial Intelligence [107.79496500634691]
  LinkS$2$Benchは、ダイナミックUAV映像の1,022分を200km$2$の高解像度衛星画像とリンクする。 LMMを用いたパイプラインと厳密な人間のアノテーションを用いて17.9kの高品質な質問応答ペアを構築した。 評価は、人間のベースラインとはかなりの差を示し、正確なクロスビューのダイナミックアライメントを重要なボトルネックと特定する。
  論文  参考訳（メタデータ） (2026-04-02T13:22:57Z)
• Unified Orbit-Attitude Estimation and Sensor Tasking Framework for Autonomous Cislunar Space Domain Awareness Using Multiplicative Unscented Kalman Filter [0.0]
  シスルナー構造は、地球近傍の軌道の挙動から、強い非線形、非ケプラー動力学を通じて逸脱する。 課題は、長距離観測要件、限定的なセンサーターゲット幾何学、照明条件から生じる。 この研究は、シスルナー空間領域認識のための高度なフレームワークを導入している。
  論文  参考訳（メタデータ） (2026-03-21T00:25:34Z)
• ReSPEC: A Framework for Online Multispectral Sensor Reconfiguration in Dynamic Environments [6.718801307135799]
  センサ,学習,アクティベーションをクローズドなリコンフィグレーションループに統合するフレームワークを導入する。 我々は,このフレームワークを移動体ローバー上で実装し評価し,適応制御がベースラインに比べて5.3%の精度低下で負荷を29.3%削減することを示した。
  論文  参考訳（メタデータ） (2026-02-11T05:39:24Z)
• RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。 これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。 空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:35:57Z)
• ViewSpatial-Bench: Evaluating Multi-perspective Spatial Localization in Vision-Language Models [68.46716645478661]
  視覚言語モデル (VLM) は視覚的内容の理解と推論において顕著な能力を示した。 現在のVLMは、主に自我中心の空間的推論(カメラの観点から)に優れるが、同中心の視点に一般化することができない。 マルチ視点空間位置認識評価に特化して設計された,初の総合的なベンチマークであるViewSpatial-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-05-27T17:59:26Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
  高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。 マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)
• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [31.398965880415492]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,スパース時間データダイナミックスパーストレーニングの概念を初めて紹介し,適応的かつ動的に重要な分布センサをフィルタリングすることにコミットする。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)

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。