Diffusion Models for Generating Ballistic Spacecraft Trajectories

要約

生成モデリングは、創造的および科学的なデータ生成タスクにおいて大きな注目を集めています。
データのノイズ除去を繰り返し学習する生成モデルの一種であるスコアベースの拡散モデルは、画像生成、多変量時系列予測、ロボットの軌道計画などのタスクに関して最先端の結果を示しています。
この研究では、スコアベースの拡散モデルを使用して、地球から火星への弾道伝達を生成する新しい生成フレームワークを実装しています。
さらに、元のデータセットの特性を学習するモデルの能力と、基礎となるダイナミクスに従う転送を生成するモデルの能力を分析します。
アブレーション研究は、モデルのパフォーマンスがモデルのサイズと軌道の時間分解能によってどのように変化するかを判断するために実施されました。
さらに、軌道設計における生成モデルの有用性を評価し、モデルのパフォーマンス比較を実施し、拡散を超えた軌道設計のためのさまざまな生成モデルを評価するための基礎を築くために、パフォーマンス ベンチマークが設計されています。
この分析の結果は、拡散モデルのいくつかの有用な特性を示しており、これらを組み合わせることで、拡散モデルを利用した生成軌道設計のための将来のシステムを可能にすることができます。

要約(オリジナル)

Generative modeling has drawn much attention in creative and scientific data generation tasks. Score-based Diffusion Models, a type of generative model that iteratively learns to denoise data, have shown state-of-the-art results on tasks such as image generation, multivariate time series forecasting, and robotic trajectory planning. Using score-based diffusion models, this work implements a novel generative framework to generate ballistic transfers from Earth to Mars. We further analyze the model’s ability to learn the characteristics of the original dataset and its ability to produce transfers that follow the underlying dynamics. Ablation studies were conducted to determine how model performance varies with model size and trajectory temporal resolution. In addition, a performance benchmark is designed to assess the generative model’s usefulness for trajectory design, conduct model performance comparisons, and lay the groundwork for evaluating different generative models for trajectory design beyond diffusion. The results of this analysis showcase several useful properties of diffusion models that, when taken together, can enable a future system for generative trajectory design powered by diffusion models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google