Deep Learning for Planetary Rover Localization

行星漫游器定位的深度学习

• 批准号: 20K14706
• 负责人: Wu Benjamin
• 金额: $ 2.16万
• 依托单位: National Astronomical Observatory of Japan
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Early-Career Scientists
• 财政年份: 2020
• 资助国家: 日本
• 起止时间: 2020-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20K14706/
• 关键词: machine learning; computer vision; deep learning; numerical simulation; orbital dynamics; astronomy; interferometry; space exploration; autonomous vehicles

We are continuing to apply machine learning to problems in space research/exploration and establish deep learning computational hardware capabilities at NAOJ.In FY2022, we presented a paper "Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations" at the International Conference on Computational Science (ICCS). This work incorporates techniques from the signal processing domain into physics-informed neural networks, greatly improving accuracy and speed in fluid simulations.We also published a paper "Low-thrust rendezvous trajectory generation for multi-target active space debris removal using the RQ-Law" to Advances in Space Research. We use path optimization algorithms to find the best orbital trajectory for a spacecraft to remove space debris objects.

我们将继续将机器学习应用于太空研究/探索中的问题，并在NAOJ.in FY2022上建立深度学习计算硬件功能，我们在国际计算科学会议（ICCS）上介绍了“物理学知情的RNN-DCT网络”，以实现时间依赖于时间依赖的部分偏微分方程”。这项工作将来自信号处理域的技术融合到了物理信息的神经网络中，极大地提高了流体模拟的准确性和速度。我们还发表了一篇论文“使用RQ Law的多态活动空间碎片范围使用RQ Law使用RQ Law”的论文“使用RQ Law”，以实现太空研究的进步。我们使用路径优化算法来找到航天器去除空间碎屑对象的最佳轨道轨迹。

项目成果

iSpace Europe/University of Luxembourg(ルクセンブルク)

iSpace Europe/卢森堡大学（卢森堡）

University of Toronto(カナダ)

多伦多大学（加拿大）

MACHINE-LEARNING TECHNIQUES FOR REPRESENTING ITEMS IN A SPECTRAL DOMAIN

用于表示光谱域中的项目的机器学习技术

• 发表时间: 2022

Oxford University(英国)

牛津大学（英国）

tensorlicious(ドイツ)

张索利西斯（德国）