論文の概要: Learning in Orbit: Onboard Training and Closed-Loop Attitude Control with a Thermal Segmentation Model on a Spacecraft

• arxiv url: http://arxiv.org/abs/2610.19122v1
• Date: Tue, 13 Oct 2026 19:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.778616
• Title: Learning in Orbit: Onboard Training and Closed-Loop Attitude Control with a Thermal Segmentation Model on a Spacecraft
• Title（参考訳）: 軌道上での学習:宇宙船の熱セグメンテーションモデルによるオンボードトレーニングと閉ループ姿勢制御
• Abstract要約: 深宇宙ミッションでは、通信遅延と帯域幅制限のある環境で自律的に運用できる宇宙船がますます必要となる。 このような自律性の重要な実現要因は、学習ベースのアルゴリズムを直接オンボードで実行する能力である。 本研究では,(1)宇宙空間におけるNVIDIA Jetson TX2 NX GPU上での熱セグメンテーションモデルのトレーニングと推定を行う6U CubeSat上での飛行展開と,(2)月を追尾するリアルタイムの熱画像フィード上でのセグメンテーションモデルを用いた閉ループ姿勢制御について述べる。
• 参考スコア（独自算出の注目度）: 5.8983183354872795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep space missions increasingly require spacecraft capable of autonomously operating in environments with communication delays and bandwidth limitations. A key enabler of such autonomy is the ability to run learning-based algorithms directly onboard. In this work, we present a flight deployment on a 6U CubeSat that demonstrates (1) onboard training and inference of a thermal segmentation model on an NVIDIA Jetson TX2 NX GPU in space and (2) closed-loop attitude control using the segmentation model on a real-time, thermal image feed to track the Moon. In addition to this demonstration, we implement ROS 2 Foxy as a data transport middleware and integrate an open-source file system that provides strong data integrity guarantees and self-healing features. Over the course of approximately one year, we performed 12 experiments on the spacecraft, advancing the state of the art in autonomous spacecraft systems by showing how modern learning-based pipelines, commercially available hardware, and open-source software can operate reliably under the compute and environmental constraints of Low Earth Orbit (LEO).
• Abstract（参考訳）: 深宇宙ミッションでは、通信遅延と帯域幅制限のある環境で自律的に運用できる宇宙船がますます必要となる。 このような自律性の重要な実現要因は、学習ベースのアルゴリズムを直接オンボードで実行する能力である。 本研究では,(1)宇宙空間におけるNVIDIA Jetson TX2 NX GPU上での熱セグメンテーションモデルのトレーニングと推定を行う6U CubeSat上での飛行展開と,(2)月を追尾するリアルタイムの熱画像フィード上でのセグメンテーションモデルを用いた閉ループ姿勢制御を示す。 このデモに加えて、データトランスポートミドルウェアとしてROS 2 Foxyを実装し、強力なデータ完全性保証と自己修復機能を提供するオープンソースのファイルシステムを統合する。 約1年間にわたって、私たちは宇宙船で12の実験を行い、現代の学習ベースのパイプライン、商用ハードウェア、オープンソースソフトウェアが、低地球軌道(LEO)の計算および環境制約の下で確実に動作可能であることを示すことによって、自律的な宇宙船システムにおける最先端の技術を推し進めた。

関連論文リスト

• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• Bridging the Basilisk Astrodynamics Framework with ROS 2 for Modular Spacecraft Simulation and Hardware Integration [0.0]
  本稿では,バシリスク・アストロダイナミックスシミュレータとロボット・オペレーティング・システム2(ROS2)との間の軽量でオープンソースの通信ブリッジについて述べる。 ブリッジはBasiliskのコアの変更を必要とせず、ROS 2ノードとシームレスに統合される。 我々は,非線形モデル予測制御を用いたリーダ・フォロワ形成飛行シナリオにおいて,ATMOS平面微小重力試験台とシミュレーションの両方で同一に展開されていることを実証した。
  論文  参考訳（メタデータ） (2025-12-10T17:13:24Z)
• Crossing the Sim2Real Gap Between Simulation and Ground Testing to Space Deployment of Autonomous Free-flyer Control [0.12194516968349499]
  強化学習(Reinforcement Learning, RL)は、宇宙におけるロボット制御の変革的なポテンシャルを提供する。 国際宇宙ステーション(ISS)の無人飛行ロボット、NASA AstrobeeのRLによる自律制御の初の軌道上でのデモンストレーションを紹介する。 NVIDIAのOmniverse物理シミュレータとカリキュラム学習を使用して、Astrobeeの標準姿勢と翻訳制御を置き換えるために、ディープニューラルネットワークをトレーニングし、微小重力でナビゲートできるようにしました。
  論文  参考訳（メタデータ） (2025-12-03T12:33:35Z)
• 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)
• Deep Learning Warm Starts for Trajectory Optimization on the International Space Station [20.292201054946048]
  軌道最適化は現代の自律ロボットの基盤であり、システムは安全と物理的制約を尊重しながら、軌道と制御をリアルタイムで計算することができる。 国際宇宙ステーション(ISS)に搭載されたアストローブ自由飛行ロボットの軌道最適化を加速するために、機械学習によるウォームスタートを用いた最初の宇宙でのデモンストレーション結果を提供する。 この研究は、宇宙飛行アプリケーションにおける学習ベースの制御の利用における重要なマイルストーンであり、自律的な誘導、ナビゲーション、制御に機械学習を使用することの今後の進歩の足掛かりである。
  論文  参考訳（メタデータ） (2025-05-08T18:42:36Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting [0.0]
  本稿では,3次元ガウス散乱に基づく軌道上の衛星のマッピング手法を提案する。 ループ型衛星モックアップにおけるモデルトレーニングと3次元レンダリング性能を実演する。 我々のモデルでは、未知の衛星の高品質な新しいビューを、従来のNeRFベースのアルゴリズムよりも2桁近く高速にトレーニングし、レンダリングすることが可能であることが示されている。
  論文  参考訳（メタデータ） (2024-01-05T00:49:56Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)

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。