CNN's Tomorrow's Hero- Profil Lernen Sie Amber Yang kennen. Sie versucht, eine Weltraumschrott-Katastrophe zu verhindern, beschreibt eine Untersuchung über die Verwendung eines Convolutional Neural Network (CNN) zur Vorhersage möglicher Kollisionen im erdnahen Orbit.
Wenn ich das richtig verstehe, werden Suchen nach und Vorhersagen von potenziellen Kollisionen (wie zum Beispiel SOKRATES ) durch Rohzahlenverarbeitung, Verbreitung aller bekannten Objekte mit etwas wie SGP4 in Kombination mit einigen grundlegenden Algorithmen durchgeführt, die nur Objektpaare mit einer gewissen Wahrscheinlichkeit untersuchen sich kreuzende Bahnen. Man könnte die Entfernung der engsten Annäherung zwischen einem Paar kreisförmiger Umlaufbahnen nicht berechnen, wenn zum Beispiel eine GEO und die andere MEO wäre.
Wie könnte man ein CNN auf dieses Problem anwenden? Plausible Spekulationen sind willkommen, da dies ein etwas neuer Ansatz ist.
Bearbeiten: Ich habe eine kurze, aber interessante Einführung in das Problem gefunden (siehe Seite 6 für ein Flussdiagramm), aber ich denke nicht, dass es eine vollständige Beschreibung der Technik sein soll.
unten: Plot aus dem CNN-Artikel .
Gutes Video, wenn Sie wenig Zeit haben, schauen Sie sich mindestens die letzten zwei Minuten an!
Als Data Scientist mit Interesse an Weltraumthemen bin ich gut aufgestellt, um diese Frage zu beantworten. Ich muss gestehen, dass ich anhand der Vorlesungsfolien nicht ganz verstehe, was in diesem System vor sich geht, daher wird meine Antwort eher eine fundierte Vermutung sein.
Auf den ersten Blick macht es wenig Sinn, hier ein neuronales Netz einzusetzen . Die Art von Problemen, die neuronale Netze lösen können, sind in der Regel eher weich und unscharf (sowohl im mathematischen Sinne als auch im Sinne von „Ist das Bild eine Katze?“). Physiksimulationsprobleme haben genau definierte Regeln, und der beste Weg, sie zu lösen, ist normalerweise die gute altmodische Brute-Force-Simulation.
Was meiner Meinung nach hier passiert, ist, dass das neuronale Netztraining verwendet wird, um ein statistisches Objekt zu erstellen, eine Art Wahrscheinlichkeitsverteilung. Eine Denkweise über neuronale Netze ist, dass sie als eine Form der Datenkomprimierung fungieren. Indem Sie ein neuronales Netz auf etwas trainieren, passen Sie im Wesentlichen eine komplizierte mehrdimensionale Kurve aus Hunderten von Parametern an Daten an, die Millionen von Punkten enthalten können. (In gewisser Weise tun Menschen dies auch. Wir nehmen eine kaleidoskopische Vielfalt individueller Erfahrungen und verstehen sie durch eine relativ kleine Anzahl von Faustregeln, die wir dann verwenden, um Entscheidungen über zukünftige Ereignisse zu leiten, die wahrscheinlich nicht genau so sind wie bei einer vorherigen Veranstaltung).
Wie in LeWavites Antwort auf eine Ihrer vorherigen Fragen erwähnt, müssen Sie sich bei n Objekten um 1/2 n (n-1) mögliche Kollisionen kümmern. Derzeit werden ungefähr 17.000 Weltraumschrottstücke verfolgt, was bedeutet, dass ungefähr 144.500.000 mögliche Kollisionen zu sortieren sind, eine ziemlich unhandliche Zahl.
Die Schlüsselfolie aus ihrer Präsentation ist diese: (Sie müssen sie wahrscheinlich vergrößern, um sie besser sehen zu können, das Original war nicht so gut)
Soweit ich diesem Diagramm entnehmen kann, gibt es zwei neuronale Netze mit zwei unterschiedlichen Funktionen. Das Diagramm auf der linken Seite scheint eine Art Zustandsdiagramm für Steuerungssysteme zu sein, wie es Robotiker verwenden. Das rote neuronale Netz nimmt 5 Orbitalparameter auf (diejenigen, die zum Definieren der Umlaufbahn benötigt werden, aber nicht, wo sich das Objekt in der Umlaufbahn befindet). Mir ist nicht klar, was die drei Ausgabeparameter (Y (1), Y (2), Y (3)) sind, sie scheinen nirgendwo anders zu erscheinen.
Das blaue neuronale Netzwerk scheint in ähnlicher Weise wie ein erweiterter Kalman-Filter zu wirken , in dem Sinne, dass die Vorhersagen des roten neuronalen Netzwerks kontinuierlich durch neue Daten der verfolgten Objekte aktualisiert werden, da sich ihre Umlaufbahnen auf natürliche Weise von ihren keplerschen Idealen verschieben. Indem das neuronale Netzwerk mit diesen Aktualisierungen trainiert wird, lernt es gewissermaßen ein „Gefühl“ dafür, wie sich die Umlaufbahnen des Objekts im Laufe der Zeit ändern.
Das ist ungefähr alles, was ich aus dem Diagramm extrahieren kann. Wenn man bedenkt, dass dies ein proprietäres System ist, bezweifle ich, dass es viel mehr als das geben wird.
Ich bezweifle die Nützlichkeit der Verwendung von Convolutional Neural Nets. Sie werden für Situationen verwendet, in denen die einzelnen Datenspalten räumlich zusammenhängen - wie Punkte auf einem Gitter. Sie sehen sie hauptsächlich mit bildverarbeitenden neuronalen Netzen, aber sie können auch andere Dinge tun, wie z. B. das Generieren von Terrain aus gezeichneten Linien . Es gibt nur 5 Eingabeparameter in den beiden im Vortrag gezeigten neuronalen Netzen, und sie repräsentieren unterschiedliche Konzepte, daher sehe ich nicht, wie CNNs hier helfen können.
GdD
äh
äh
DukeZhou
äh
Chris
Kornpob Bhirombhakdi
äh
äh
Kornpob Bhirombhakdi
äh