論文の概要: A physics-constrained deep reinforcement learning method for autonomous mission planning of Titan deep space probes
- arxiv url: http://arxiv.org/abs/2611.15389v1
- Date: Wed, 11 Nov 2026 12:12:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.137833
- Title: A physics-constrained deep reinforcement learning method for autonomous mission planning of Titan deep space probes
- Title(参考訳): タイタン深宇宙探査機の自律ミッション計画のための物理制約深部強化学習法
- Abstract要約: 本稿では,タイタンの自律ミッション計画のための物理制約付きマスク型ポリシー最適化手法を提案する。
タイタン固有の離散時間マルコフ決定プロセスは、ミッションの実現可能性と資源制約を特徴づけるために確立される。
PCM-PPOはタイタンの深宇宙探査機の自律的なミッション計画のための実現可能かつ解釈可能なスキームを提供する。
- 参考スコア(独自算出の注目度): 8.938993264972787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Titan is a compelling target for future deep space exploration, while its extreme Earth-Titan distance and complex environment make continuous ground-in-the-loop planning impractical. Existing planning methods, primarily developed for Earth-observation scenarios, have limited generalizability to uncertain deep space conditions and adaptability to time-varying mission states. To address these challenges, this paper proposes a physics-constrained maskable proximal policy optimization (PCM-PPO) method for Titan autonomous mission planning. A Titan-specific discrete-time Markov decision process is established to characterize mission feasibility and resource constraints. A system dynamics and geometric model is incorporated to enhance physical representation, including central gravity, J2 perturbation, third-body attraction, and downlink occultation. To accommodate opportunity targets under a bounded action dimension, PCM-PPO organizes predefined and opportunity targets through a fixed-capacity target pool and represents the mission state with a target-wise state matrix and a global state vector. A physics-constrained action mask constructs an admissible decision domain from current mission states, guiding policy learning toward physically executable decisions and avoiding infeasible exploration. An integrated training strategy facilitates policy optimization under coupled constraints. Comparative, ablation, and uncertainty experiments validate the effectiveness of PCM-PPO. PCM-PPO provides a feasible and interpretable scheme for autonomous mission planning of Titan deep space probes.
- Abstract(参考訳): タイタンは将来の深宇宙探査の魅力的なターゲットであり、極端に地球とタイタンの距離と複雑な環境は、ループ計画の継続を不可能にしている。
既存の計画手法は、主に地球観測のシナリオのために開発され、不確実な宇宙条件への一般化可能性と、時間変化のミッション状態への適応性に制限されている。
これらの課題に対処するために,タイタンの自律ミッション計画のための物理制約付きマスク型近位政策最適化手法を提案する。
タイタン固有の離散時間マルコフ決定プロセスは、ミッションの実現可能性と資源制約を特徴づけるために確立される。
システム力学と幾何モデルは、中心重力、J2摂動、サードボディアトラクション、ダウンリンクオカルテーションを含む物理表現を強化するために組み込まれている。
PCM-PPOは、固定容量目標プールを介して予め定義された機会目標と機会目標を整理し、目標とする状態行列と大域的状態ベクトルとでミッション状態を表す。
物理制約されたアクションマスクは、現在のミッション状態から許容可能な決定領域を構築し、物理的に実行可能な決定に向けてポリシー学習を誘導し、不可能な探索を避ける。
統合されたトレーニング戦略は、結合された制約の下でポリシーの最適化を促進する。
比較,アブレーション,不確実性実験によりPCM-PPOの有効性が検証された。
PCM-PPOはタイタンの深宇宙探査機の自律的なミッション計画のための実現可能かつ解釈可能なスキームを提供する。
関連論文リスト
- OrbitTAMP: Grounding Language Models for Task and Motion Planning in Spacecraft Rendezvous [22.891825351056823]
大型言語モデル(LLM)ベースのエージェントは、宇宙船RPO計画のための直感的なインタフェースを提供することができる。
本稿では、再利用可能な振る舞いのグラフにLCM推論を基礎として、宇宙船のタスク・アンド・モーション・プランニング(TAMP)のための階層的な枠組みを提案する。
数値実験により、このアーキテクチャは直接LLM生成よりもインテントリカバリを大幅に改善することが示された。
論文 参考訳(メタデータ) (2026-10-01T05:37:38Z) - Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。
提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。
オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
論文 参考訳(メタデータ) (2026-07-04T08:14:44Z) - Active Timepoint Selection for Learning Measure-Valued Trajectories [55.49809248697036]
スナップショットから連続確率パスを推定することは、単細胞生物学のような領域における根本的な課題である。
スパース測度空間にアクティブな実験を拡張するフレームワークを導入する。
これにより、不確実性を最小限に抑えるために測定時間を反復的に選択する取得ポリシーが得られる。
論文 参考訳(メタデータ) (2026-05-28T22:22:35Z) - Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。
Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
論文 参考訳(メタデータ) (2026-03-13T05:42:18Z) - Evaluating Robustness and Adaptability in Learning-Based Mission Planning for Active Debris Removal [22.261628532402067]
この研究は、低地球軌道における制約付きマルチデブリランデブー問題の3つのプランナーを比較した。
再燃料化, 現実的な移動力学, ランダム化された破片場を用いた高忠実軌道シミュレーションにより評価を行った。
論文 参考訳(メタデータ) (2026-02-04T22:22:40Z) - Maritime Mission Planning for Unmanned Surface Vessel using Large Language Model [0.932065750652415]
本稿では,Large Language Models (LLM) を用いた新しいミッションプランニングフレームワークを提案する。
LLMは、自然言語のコマンドを理解し、シンボリック推論を実行し、状況の変化に合わせて柔軟に調整する能力に長けている。
提案手法では,LLMを海洋計画に統合し,高レベルの人的指示と実行可能な計画とのギャップを埋める。
論文 参考訳(メタデータ) (2025-03-15T09:41:55Z) - Platform-Aware Mission Planning [50.56223680851687]
本稿では,PAMP(Platform-Aware Mission Planning)の問題を紹介する。
第1のベースラインアプローチはミッションレベルとプラットフォームレベル、第2のベースラインアプローチは抽象リファインメントループに基づいている。
提案手法の健全性と完全性を実証し,実験により検証する。
論文 参考訳(メタデータ) (2025-01-16T16:20:37Z) - Contingency Planning Using Bi-level Markov Decision Processes for Space
Missions [16.62956274851929]
この研究は、科学ミッションのための自律的な緊急計画に焦点を当てている。
これは、名目上のミッション計画からの遅延や逸脱が発生した場合に、州空間の任意の非正規点からの迅速なポリシー計算を可能にする。
論文 参考訳(メタデータ) (2024-02-26T06:42:30Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳(メタデータ) (2020-08-19T15:22:15Z) - Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments [3.2296078260106174]
本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。
提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
論文 参考訳(メタデータ) (2020-04-26T08:53:37Z)
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。