Dec, 2023

基于自监督机器学习的轨道建模方法应用于太空交通管理

HTML
PDF
TL;DR通过使用预训练的轨道模型，本文提出了一种改进基于机器学习的空间交通管理任务性能的新方法，称为ORBERT，并展示了该模型利用大量现有的轨道数据学习有意义的表示，并用于辅助下游任务。作为此方法的概念验证，我们考虑了全相机互测任务，并展示了利用无标签轨道数据可以提高性能，并且该方法尤其对于标记数据有限的任务特别有益。
发现论文，激发创造
  • FedSpace: 卫星和地面站高效的联邦学习框架

    本研究提出一种基于联邦学习的框架，可解决低地球轨道卫星数据传输受限、稀疏连接、图像分辨率限制等挑战，通过地面站和卫星协同训练模型实现全球机器学习。实测结果表明，该框架可比现有算法减少 38.6% 的训练时间。

    Feb, 2022

  • 通过平面内模型传播和汇聚卫星调度优化LEO卫星星座中的联邦学习

    本文介绍了FedLEO，一种应用于卫星边缘计算的联邦学习框架，可以快速收敛且不牺牲模型准确度，并优化了通信调度策略。

    Feb, 2023

  • 低地球轨道场景分类的分散半监督机载学习

    利用卫星集群上的半监督学习，以温度和有限的电源预算为基础，对神经网络进行基准测试，我们展示了在最新卫星硬件上进行机器学习模型的训练，以节省通信和操作成本，同时评估了采用分散和联邦学习方法的任务场景，并在一天的任务时间内，实现了高精度（欧洲卫星RGB数据集约为91％）的收敛。

    May, 2023

  • 低地球轨道驻留空间物体分类：一种深度学习方法

    我们提出了一个新的用于低地球轨道的RSO分类法来增强空间交通管理，并且提出了基于自编码器架构的深度学习模型，以减少表示RSO特征的属性。该自编码器生成一个低维空间表示，然后使用Uniform Manifold Approximation and Projection等技术探索并识别基于RSOs独特特征的基本群集。我们的分类法和模型为缓解轨道上不断增加的RSOs所带来的整体风险做出了重要贡献。

    Nov, 2023

  • 通过自我监督的航迹噪声预测改进航迹预测

    通过引入噪声增强的观测轨迹视图和自我监督任务，提出了一种名为SSWNP（自我监督的航点噪声预测）的新方法，该方法能改善轨迹预测模型的性能并提供更合理且多样的表示。实验证据表明，我们的方法在嘈杂环境中相对于基准方法显著提升了性能，可与现有的轨迹预测方法相辅相成。

    Nov, 2023

  • 基于机器学习的太空物体密度分布预测方法

    提出了一种机器学习模型以加速人工空间目标的密度分布的传播，并通过长期预测实验来评估模型的能力和性能退化原因及解决方案。

    Jan, 2024

  • 卫星边缘连接：普及高效的联合低轨道卫星学习

    在空间人工智能的雄心勃勃的领域中，通过联邦学习(federated learning)与低轨道卫星星座(low Earth orbit satellite constellations)的集成具有巨大的潜力。本文提出了一种新颖的FL-SEC框架，使低轨道卫星能够在机载上高效地执行大规模机器学习任务。通过个性化学习和轨道模型再训练等核心组件，该框架有效地减少了联邦学习收敛时间近30倍，并将卫星能耗降低到仅为1.38瓦特，同时保持高达96%的准确度。

    Jan, 2024

  • 通过H3索引和因果语言建模（CLM）改进海上轨迹预测

    利用GNSS位置信息，本研究将船舶轨迹预测问题视为自然语言处理问题，通过H3指数将经纬度坐标转换为单元格标识符，并借助伪八进制表示使语言模型更容易学习H3指数的空间层次结构，该方法与传统的Kalman滤波器进行了比较，并引入了Fréchet距离作为主要评估指标。本研究表明，在30分钟的背景信息下，可以精确地预测船舶轨迹长达8小时，并且该方法在全球范围内都能够良好地预测轨迹。

    May, 2024

  • 利用机器学习和外部变量在低地球轨道精确高效预测轨道

    通过利用机器学习和时间序列技术，提出了一种利用过去位置和环境变量进行航天器轨道预测的算法，以在非常低的计算成本下产生低定位误差，从而显著提高空间目标位置确定的速度和可靠性。

    Jul, 2024

  • 为空间任务适应基础模型

    本研究针对空间机器人面临的三个核心挑战，提出了一种适应空间应用的基础模型的方法，特别是如何在火星表面进行空间推理和导航。通过自动标注AI4Mars数据集，研究显示微调视觉-语言模型能够显著提升在外星数据上的响应质量，尽管训练样本仅有几千个。此工作为未来空间机器人提供了新的基础框架和思路。

    Aug, 2024