論文の概要: Integrating Low-Thrust Transfer Dynamics into POMDP Planning for On-Orbit Servicing
- arxiv url: http://arxiv.org/abs/2610.41839v1
- Date: Fri, 30 Oct 2026 14:55:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.779904
- Title: Integrating Low-Thrust Transfer Dynamics into POMDP Planning for On-Orbit Servicing
- Title（参考訳）: 軌道上サービテーションのためのPOMDP計画への低推力移動ダイナミクスの統合
- Abstract要約: 高スラスト (HT) と低スラスト (LT) 推進技術は軌道上サービス (OOS) ミッションの設計オプションを広げた。
LT転送をOOSミッション計画に組み込むには、所定の移行期間と推進剤消費の間のトレードオフを考慮する必要がある。
本稿では、OOSミッション計画のための部分観測可能決定プロセス(POMDP)フレームワークにおける軌道転送、特にLT転送のモデル化に焦点を当てる。
- 参考スコア（独自算出の注目度）: 0.45880283710344055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent developments in both high-thrust (HT) and low-thrust (LT) propulsion technologies broaden design options for on-orbit servicing (OOS) missions. However, incorporating LT transfers into OOS mission planning requires accounting for the trade-off between prescribed transfer duration and propellant consumption. Multi-servicing, multi-transfer OOS mission planning is inherently sequential and requires adaptive planning tools that account for propulsion-dependent transfer durations and mass-dependent propellant consumption. Thus, transfer dynamics must be integrated into mission planning and scheduling to increase flexibility and adaptability. In addition, the planning is often done with imperfect information about the system's state and stochastic service demands. This paper focuses on modeling orbital transfers, particularly LT transfers, within a Partially Observable Markov Decision Process (POMDP) framework for OOS mission planning. To enable offline policy computation, the transfer model must provide explicit state transitions and rewards for all admissible actions. The state space is therefore augmented with the servicing vehicle's remaining propellant to enable consistent mass updates. HT transfers are modeled using a precomputed transfer matrix that maps each transfer to the time of flight and propellant consumed. LT transfers are represented using an analytical GEO phasing model with prescribed transfer-duration alternatives. For each alternative, the model calculates propellant consumption and maneuver feasibility as functions of the required phase change and the current servicing-vehicle mass. The proposed modeling approach is evaluated on simplified OOS planning scenarios using circular phasing with HT and LT propulsion. The resulting POMDPs are solved using the Successive Approximations of the Reachable Space under Optimal Policies (SARSOP) algorithm, and the policies obtained under HT and LT are compared. This comparison provides a quantitative assessment of the feasibility and operational impact of LT options, particularly regarding the potential role of advanced electric propulsion in future servicing architectures.
- Abstract（参考訳）: 近年の高推力(HT)と低推力(LT)の推進技術は、軌道上サービス(OOS)ミッションの設計オプションを広げている。
しかし、LT転送をOOSミッション計画に組み込むには、所定の移行期間と推進剤消費の間のトレードオフを考慮する必要がある。
マルチサービス、マルチトランスファーのOOSミッションプランニングは本質的にシーケンシャルであり、推進依存の移行期間と質量依存の推進剤消費を考慮に入れた適応的な計画ツールを必要とする。
したがって、転送ダイナミクスは、柔軟性と適応性を高めるために、ミッション計画とスケジューリングに統合されなければならない。
加えて、計画はしばしばシステムの状態と確率的なサービス要求に関する不完全な情報で行われます。
本稿では、OOSミッション計画のための部分観測可能なマルコフ決定プロセス(POMDP)フレームワークにおける軌道転送、特にLT転送のモデル化に焦点を当てる。
オフラインポリシー計算を有効にするには、転送モデルは全ての許容可能なアクションに対して明示的な状態遷移と報酬を提供する必要がある。
したがって、状態空間は、一貫した大量更新を可能にするために、サーベイリング車両の残りの推進剤で拡張される。
HT転送は、各転送を飛行時間と消費される推進剤にマッピングする事前計算された転送行列を用いてモデル化される。
LT転送は、所定の転送デューレーションの代替となる解析的GEO処理モデルを用いて表現される。
それぞれの代替案について、必要な位相変化と現在のサービシング車質量の関数として、推進剤の消費と操作可能性を計算する。
提案手法は,HT と LT を併用した円ピッチリングを用いて,簡易な OOS 計画シナリオで評価する。
得られたPOMDPは、最適ポリシー(SARSOP)アルゴリズム下での到達可能空間の逐次近似を用いて解決され、HTとLTで得られたポリシーを比較する。
この比較は、LTオプションの有効性と運用上の影響を定量的に評価し、特に将来のサービスアーキテクチャにおける高度な電気推進の役割について評価する。
関連論文リスト
- Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。
本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-25T12:16:28Z) - Large Language Model Enhanced Differentiable Trajectory Planning for IoT-Enabled Autonomous Driving [26.33691640001489]
本稿では,IoT 対応自動運転のための大規模言語モデル (LLM) 拡張型微分可能軌道計画フレームワークを提案する。
本研究では,サラウンドエージェントトラジェクトリを新たな計画監督として再編成するために,周辺エージェント中心のデータ拡張戦略を導入する。
また、シーン関連高レベルなセマンティック特徴を抽出するために、LLMをベースとした複雑なアシン・アシン・シン・同期のセマンティック・エンハンスメントモジュールを設計する。
論文 参考訳（メタデータ） (2026-07-11T18:43:14Z) - MAGNIFIED: RL Fine-tuning of Multimodal Large Language Models for Motion Planning [16.474293563670415]
MLLM(Multi-modal Large Language Models)は意味理解と常識推論において顕著な能力を示す。
次世代のテキスト予測目標は、自動運転車の計画目標を達成できない可能性がある。
本稿では,MLLMをベースとした運転エージェントをトークンレベルの報酬から学習することで,計画目標と整合する強化学習ファインチューニング手法MAGNIFIEDを提案する。
論文 参考訳（メタデータ） (2026-06-02T16:07:28Z) - Addressing Terminal Constraints in Data-Driven Demand Response Scheduling [16.092252559511305]
目的空間計画 (GSP) とDeep Deterministic Policy Gradient (DDPG) を統合し、離散サブゴール上で学習した時間的抽象モデルを用いて、拡張水平線を越えて値を伝搬する。
提案手法は,端末のストレージ制約を満たすとともに,標準DDPGよりもサンプル効率を向上し,制御挙動を緩和する。
論文 参考訳（メタデータ） (2026-05-14T12:07:53Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - FutureX: Enhance End-to-End Autonomous Driving via Latent Chain-of-Thought World Model [103.2513470454204]
FutureXは、エンド・ツー・エンドのプランナを強化し、将来のシーンの遅延推論と軌道修正を通じて複雑な動作計画を実行するパイプラインである。
FutureXは、より合理的な運動計画と衝突を減らすことで、効率を損なうことなく既存の方法を強化する。
論文 参考訳（メタデータ） (2025-12-12T02:12:49Z) - PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。
PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。
ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
論文 参考訳（メタデータ） (2025-10-27T03:04:46Z) - Large Language Model-Empowered Decision Transformer for UAV-Enabled Data Collection [71.84636717632206]
空間分散デバイスからの信頼性とエネルギー効率のよいデータ収集のための無人航空機(UAV)は、IoT(Internet of Things)アプリケーションをサポートする上で大きな可能性を秘めている。
有効なUAV制御ポリシーを学習するための共同言語モデル(LLM)を提案する。
LLM-CRDTは、現在の最先端DTアプローチよりも最大36.7%高いエネルギー効率を達成し、オンラインおよびオフラインメソッドのベンチマークより優れている。
論文 参考訳（メタデータ） (2025-09-17T13:05:08Z) - Sparse Partial Optimal Transport via Quadratic Regularization [3.244176245288102]
Partial Optimal Transport (POT)は、さまざまな機械学習(ML)アプリケーションの中心的なツールとして登場した。
二次正則化を伴う新しいPOTの定式化を提案し、従って二次正則化POT(QPOT)と呼ぶ。
論文 参考訳（メタデータ） (2025-08-11T21:22:35Z) - TrajFM: A Vehicle Trajectory Foundation Model for Region and Task Transferability [23.945687080195796]
望ましい軌道学習モデルは、再訓練することなく、異なる領域とタスク間を移動すべきである。
そこで我々は,TrajFMを提案する。TrajFMは,領域とタスクの移動性の両方に優れる車両軌道基礎モデルである。
様々な環境下での2つの実世界の車両軌道データセットの実験は、TrajFMの有効性を実証している。
論文 参考訳（メタデータ） (2024-08-09T07:40:44Z)
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。