論文の概要: Spacecraft Pose Tracking via Kinematic Prediction and Selective Event Correction
- arxiv url: http://arxiv.org/abs/2610.19465v1
- Date: Wed, 14 Oct 2026 02:46:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.923759
- Title: Spacecraft Pose Tracking via Kinematic Prediction and Selective Event Correction
- Title（参考訳）: 運動予測と選択事象補正による宇宙空間の追跡
- Abstract要約: 宇宙船の追跡では、イベントサポートの変更に伴い、短水平運動予測が引き続き利用可能である。
Observation-Aligned Event Innovation (OA-EI)は、この予測の選択したコンポーネントの修正にイベントを使用する。
7.7秒で、回転と翻訳の誤差は予測だけで41.63/57.28mmからOA-EIで15.73/22.41mmに減少する。
- 参考スコア（独自算出の注目度）: 9.655330860632882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In initialized spacecraft tracking, a short-horizon motion prediction remains available as event support changes. Observation-Aligned Event Innovation (OA-EI) uses events to correct selected components of this prediction. A constant-body-twist model propagates the complete pose; the event encoder proposes rotational and normalized image-plane translation corrections, retaining propagated axial depth. Candidate magnitudes come from a bounded Scale Gate and a deterministic activity factor, with empty windows returning the prediction unchanged. Evaluation uses four FRESH physical-event trajectories, twenty rollout starts, and three training seeds. Each rollout starts from two reference poses and then uses self-estimates. At 7.7 seconds, rotation and translation errors fall from 41.63°/57.28 mm for prediction alone to 15.73°/22.41 mm for OA-EI, reductions of 62.2% and 60.9%. Failure rates fall from 20.0% to 1.67%. Matched ablations favor the rotation-bearing interface for overall pose accuracy; combining scaling with activity support gives the lowest errors at every tested event-retention level. On Jetson Orin Nano, the measured in-memory update takes 44.56 milliseconds at the median and 58.77 milliseconds at P95.
- Abstract（参考訳）: 初期化宇宙船の追跡では、イベントサポートの変更に伴い、短水平運動予測が引き続き利用可能である。
Observation-Aligned Event Innovation (OA-EI)は、この予測の選択したコンポーネントの修正にイベントを使用する。
イベントエンコーダは回転および正規化された画像平面の変換補正を提案し、伝播軸深さを保持する。
候補の規模は、境界のスケールゲートと決定論的アクティビティファクタからなり、空のウィンドウは予測を変更せずに返します。
評価には4つのFRESH物理軌道、20個のロールアウトスタート、3つの訓練種を使用する。
各ロールアウトは2つの参照ポーズから始まり、自己見積を使用する。
7.7秒で、回転と翻訳の誤差は予測だけで41.63°/57.28mm、OA-EIでは15.73°/22.41mm、62.2%、60.9%に減少する。
失敗率は20.0%から1.67%に低下する。
一致したアブリゲーションは、全体的なポーズの正確さのためにローテーション・ベアリング・インターフェースを好んでおり、アクティビティのサポートとスケーリングを組み合わせることで、テストされたイベント保持レベル毎に最も低いエラーを与える。
Jetson Orin Nanoでは、測定されたインメモリ更新は、中央値で44.56ミリ秒、P95では58.77ミリ秒である。
関連論文リスト
- SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models [55.56557714314683]
空間推論を直接的かつ診断的に評価する最初のベンチマークであるSpaceCastBenchを紹介する。
182の現実世界シーンからの質問は、静的認識、局所予測、グローバル予測という3つのレベルで16のタスクタイプにまたがる。
制御された解析により、ブリッジビューは分散観測の統合に重要であることが明らかになった。
論文 参考訳（メタデータ） (2026-10-08T17:44:17Z) - On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models [39.88832373182896]
時系列世界モデル(TSWM)は、観測された履歴と計画された行動と入力から制御システムの状態を予測する。
実際のシステムのように、どの設計選択が重要か、そして正確な予測が変更計画に反応するかどうかを問う。
我々はTSWMに、凍結した潜伏空間と精度のための出力側融合のレシピと、メカニズムの整合性のトレーニング目標を与える。
論文 参考訳（メタデータ） (2026-10-01T15:10:09Z) - GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。
方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。
D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
論文 参考訳（メタデータ） (2026-09-26T13:14:53Z) - Efficient Bezier Velocity Optimization for Free-Floating Space Manipulators [15.834928755345757]
FAVORは、無人の宇宙船で衝突のない到達、追跡、所定の時間前のインターセプションのためのプランナーである。
ポイント・ツー・ポイントで99.8%成功し、1.779 sの平均計算は62.9%、50.270 sはIK-dの位置スプラインベースラインである。
論文 参考訳（メタデータ） (2026-09-25T18:17:44Z) - One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。
また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。
Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
論文 参考訳（メタデータ） (2026-09-20T14:54:35Z) - EditWM: Event-Decomposed World Modeling with Incremental Correction for End-to-End Autonomous Driving [9.924850385275638]
今後の予測を通常の進化とイベント駆動インクリメンタルな修正に分解する世界モデルであるEditWMを提案する。
補正デコーダは、この予測を観測履歴と計画された動作と比較し、有界な特徴更新を生成する。
12,146のNAVSIMナヴテストシーン全体で、専門家による評価では、通常のシーンよりも将来のMSEが5.35%減少している。
論文 参考訳（メタデータ） (2026-09-15T14:47:01Z) - ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。
DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
論文 参考訳（メタデータ） (2026-05-28T12:40:22Z) - Multi-Tier Labeling and Physics-Informed Learning for Orbital Anomaly Detection at Scale [0.0]
本稿では,多層ラベリングカスケードについて述べる。
60年にわたるTLE (232M Two-Line Element) レコードに適用すると、カスケードは長さ50(430Mのタイムステップ)の8.6Mのラベル付きシーケンスを11以上の特徴で生成する。
重なり合う衛星では、IMM-UKFはルール_v1単独よりも42.6倍多くの異常を表面化している。
論文 参考訳（メタデータ） (2026-05-10T22:20:52Z) - Adaptive Human Trajectory Prediction via Latent Corridors [49.13061580045407]
シーン固有の適応軌道予測の問題を定式化する。
本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。
0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
論文 参考訳（メタデータ） (2023-12-11T18:59:12Z) - Pedestrian Path, Pose and Intention Prediction through Gaussian Process
Dynamical Models and Pedestrian Activity Recognition [0.6749750044497732]
本稿では, 歩行者の歩行経路, ポーズ, 意図を事前に1秒まで予測する手法を提案する。
歩行開始後125msの開始動作を80%の精度で検出し、イベント前58.33msの停止意図を70%の精度で認識する。
経路予測については、1sのTime-To-Event(TTE)での活動を停止する平均誤差は238.01mmであり、開始動作では0sのTTEでの平均誤差は331.93mmである。
論文 参考訳（メタデータ） (2020-04-30T13:08:46Z)
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。