論文の概要: Decentralized Bi-Level Optimization for Cooperative Orbital Transportation of a Rigid Payload
- arxiv url: http://arxiv.org/abs/2610.31562v1
- Date: Thu, 22 Oct 2026 17:05:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.488841
- Title: Decentralized Bi-Level Optimization for Cooperative Orbital Transportation of a Rigid Payload
- Title（参考訳）: リギッドペイロードの協調軌道輸送のための分散二層最適化
- Abstract要約: 軌道の混雑と破片の急速な増加は、大型物体の軌道上輸送に対する信頼性の高い需要を押し上げている。
既存の分散制御法は保証されているが、限定的な執行は単一障害点を再導入する。
本稿では、正確な時間スケールによって駆動される分散化されたバイループ・フレームワークについて述べる。
これにより、時間スケールで完全に分解することなく、燃料レベルの解が迅速に得られる。
- 参考スコア（独自算出の注目度）: 3.7950610480730824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid growth of the space economy, alongside increasing orbital congestion and debris, is driving demand for reliable on-orbit transportation of large and non-cooperative objects. Performing such transportation with a swarm of small spacecraft distributes risk and removes the single point of failure inherent to monolithic architectures, but requires solving a non-convex trajectory optimization coupling every agent's cone-constrained thrust to the payload's rotational dynamics. Existing approaches span decentralized control laws with asymptotic guarantees but limited constraint enforcement, and centralized and partially centralized planners that reintroduce a single point of failure. In this work, we present a decentralized bi-level framework driven by exact gradients: the problem is split into an inner convex thrust allocation and an outer search over payload torque trajectories. This decomposition yields fuel-efficient solutions quickly, without requiring full NLP convergence, and at short timescales its performance scales with the number of agents. Theoretical convergence guarantees are established, and the method is validated through extensive Monte Carlo simulation, including closed-loop recovery from in-flight faults. These properties make the framework well suited to spacecraft swarm applications.
- Abstract（参考訳）: 宇宙経済の急速な成長と、軌道上の混雑と破片の増大は、大型で非協力的な物体の軌道上輸送に対する信頼性の高い需要を押し上げている。
このような輸送を小さな宇宙船群で行うことでリスクを分散させ、モノリシックなアーキテクチャに固有の単一障害点を取り除くが、全てのエージェントのコーン制約された推力とペイロードの回転力学を結合する非凸軌道最適化を解く必要がある。
既存のアプローチは、漸近的な保証があるが限定的な制約執行を伴う分散制御法と、単一障害点を再導入する集中的かつ部分集中的なプランナーにまたがる。
本研究では, 内部凸推力割当と, ペイロードトルクトラジェクトリの外部探索に分割して, 正確な勾配によって駆動される分散化された二層化フレームワークを提案する。
この分解は NLP の完全収束を必要とせず、燃料効率のよい解を迅速に生成し、短時間でエージェント数でその性能スケールをスケールする。
理論的収束保証が確立され、飛行中の断層からの閉ループ回復を含む広範なモンテカルロシミュレーションによって検証される。
これらの性質により、このフレームワークは宇宙船群の適用に適している。
関連論文リスト
- Fast and Scalable Multi-Agent Distribution Matching via Partitioned Optimal Transport [0.0]
本稿では,マルチエージェントシステムにおける端末分布マッチングのためのスケーラブルな最適トランスポートベースのフレームワークを提案する。
エージェントとターゲットサンプルを空間的に対応するブロックに分割し,より小さな局所輸送問題を解くことで,このボトルネックに対処する。
提案フレームワークは,Wassersteinの目的に対する厳密な接続を維持しつつ,スケーラブルな端末分布マッチングを実現する。
論文 参考訳（メタデータ） (2026-09-30T04:28:14Z) - Optimality-Informed Neural Networks for Lunar Landing Trajectory Optimization [0.40611352512781873]
本稿では,月面着陸機のエネルギー-有限時間降下に対するOINN(Optimality-Informed Neural Network)アプローチを提案する。
ポントリャーギンの最小原理と一般的な非線形最適制御のためのハミルトン・ヤコブマン方程式を組み込む枠組みの上に構築され、提案されたOINNアプローチは、このアイデアを専門とする。
論文 参考訳（メタデータ） (2026-07-02T20:23:45Z) - DUET: Decentralized Bilevel Optimization without Lower-Level Strong Convexity [77.51981761667302]
二次正規化二段階分散最適化 (DUET) と呼ばれる新しい単一ループDBOアルゴリズムを導入する。
DUETは、低レベル(LL)の目的に2次正規化を減少させることにより、LLSCの必要性を排除する。
我々の知る限りでは、データを不均一に分散した設定の下でLLSCなしでDBOに取り組むのは、これが初めてです。
論文 参考訳（メタデータ） (2026-06-19T06:45:13Z) - Ergodic Trajectory Design by Learned Pushforward Maps: Provable Coverage via Conditional Flow Matching [3.1807155456602274]
エンフェゴディックのカバレッジ問題は、UAVが支援するデータ収集とセンシング、ロボット探査、モバイル監視の中心である。
飛行エージェントでは、トラジェクトリーはエネルギー予算の厳格化、飛行禁止ゾーン、加速限界のバランスをとる必要がある。
本稿では,エルゴディディティを密度マッチングから切り離すエフェプシュフォワードフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T06:34:08Z) - Decentralized Contingency MPC based on Safe Sets for Nonlinear Multi-agent Collision Avoidance [1.5856188608650232]
本稿では,非線形力学を持つマルチエージェントシステムのための分散並列MPCフレームワークを開発する。
状態のみの情報パターンの下では、各エージェントは同じ合意的ルールセットに従い、コミュニケーションなしで安全な分散計画を可能にする。
シミュレーションの結果はスパース環境と密集型マルチエージェント環境の両方で性能を示す。
論文 参考訳（メタデータ） (2026-05-11T15:40:36Z) - Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。
提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。
我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
論文 参考訳（メタデータ） (2026-05-05T04:49:38Z) - RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。
様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。
強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
論文 参考訳（メタデータ） (2026-04-16T17:59:44Z) - OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers [68.73273027298625]
メガコンステレーションは、宇宙データセンター(SDC)の長期的なビジョンを推進している
AirCompはフリースペース(FSO)を学習するためのネットワーク内集約フレームワーク
AirVoteは符号勾配(SGD)と多数符号変調(PPM)を統合し、各衛星はPPMタイムスロットを活性化することで局所勾配を伝達する。
OptiVoteは位相依存性電場重ね合わせを位相非依存光強度結合に緩和する。
論文 参考訳（メタデータ） (2025-12-30T16:40:02Z) - Deep Neural Network-Based Aerial Transport in the Presence of Cooperative and Uncooperative UAS [3.437656066916039]
本稿では,非クルード航空システム(UAS)を$mathbbRn$で運用することで,分散トランスポートとカバレッジを分散化するためのレジリエントディープニューラルネットワーク(DNN)フレームワークを提案する。
このフレームワークは、規定されたプロトコルに従わない、あるいは従わない非協力的なエージェントの存在下で堅牢なままに設計されている。
論文 参考訳（メタデータ） (2025-12-06T22:03:41Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z)
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。