An energy-efficient learning solution for the Agile Earth Observation Satellite Scheduling Problem

要約

アジャイル地球観測衛星スケジューリング問題（AEOSSP）は、時間、エネルギー、記憶の運用上の制約を満たしながら、衛星の軌道に沿ってスケジュールされる観測目標のサブセットを見つけることを伴います。
何を観察するかを決定する問題は本質的に複雑であり、クラウドオクルージョン、大気乱流、画像解像度など、キャプチャされた画像の品質を損なういくつかの問題を考慮すると、さらに挑戦的になります。
このペーパーでは、AEOSSPに時間依存の利益をもたらし、これら3つの要因を統合してエネルギーとメモリリソースの使用を最適化するための深い強化学習（DRL）アプローチを提示します。
提案された方法には、二重の意思決定プロセスが含まれます。ターゲットのシーケンスを選択し、それぞれの最適な観測時間を決定します。
私たちの結果は、提案されたアルゴリズムが品質要件を60％> 60％満たすことができない画像のキャプチャを減らし、その結果、強力な観測パフォーマンスを維持しながら、態度廃棄物を最大78％減らすことを示しています。

要約(オリジナル)

The Agile Earth Observation Satellite Scheduling Problem (AEOSSP) entails finding the subset of observation targets to be scheduled along the satellite’s orbit while meeting operational constraints of time, energy and memory. The problem of deciding what and when to observe is inherently complex, and becomes even more challenging when considering several issues that compromise the quality of the captured images, such as cloud occlusion, atmospheric turbulence, and image resolution. This paper presents a Deep Reinforcement Learning (DRL) approach for addressing the AEOSSP with time-dependent profits, integrating these three factors to optimize the use of energy and memory resources. The proposed method involves a dual decision-making process: selecting the sequence of targets and determining the optimal observation time for each. Our results demonstrate that the proposed algorithm reduces the capture of images that fail to meet quality requirements by > 60% and consequently decreases energy waste from attitude maneuvers by up to 78%, all while maintaining strong observation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google