Perfil de Tomorrow's Hero de CNN Conoce a Amber Yang. Ella está tratando de prevenir una catástrofe de desechos espaciales describe una investigación sobre el uso de una red neuronal convolucional (CNN) para predecir posibles colisiones en la órbita terrestre baja.
Si entiendo correctamente, las búsquedas y las predicciones de posibles colisiones (como SÓCRATES , por ejemplo) se realizan mediante el procesamiento de números sin procesar, la propagación de todos los objetos conocidos con algo como SGP4 combinado con algunos algoritmos básicos que solo examinan pares de objetos con alguna posibilidad de órbitas que se cruzan. Uno podría no calcular la distancia de máxima aproximación entre un par de órbitas circulares si una fuera GEO y la otra MEO, por ejemplo.
¿Cómo se podría aplicar una CNN a este problema? La especulación plausible es bienvenida, ya que este es un enfoque algo nuevo.
editar: encontré una breve pero interesante introducción al problema (consulte la página 6 para ver un diagrama de flujo), pero no creo que sea una descripción completa de la técnica.
abajo: trama del artículo de CNN .
Buen video, si tienes poco tiempo, ¡mira los últimos dos minutos al menos!
Como científico de datos interesado en cosas espaciales, estoy bien posicionado para dar una respuesta a esta pregunta. Debo confesar que no entiendo completamente lo que está sucediendo en este sistema solo con las diapositivas de la conferencia, por lo que mi respuesta será más una conjetura.
A primera vista, realmente no tiene sentido usar una red neuronal aquí . El tipo de problemas que las redes neuronales son capaces de resolver tienden a ser bastante suaves y confusos (tanto en el sentido matemático como en el sentido de ¿esta imagen es un gato?). Los problemas de simulación física tienen reglas bien definidas, y la mejor manera de resolverlos suele ser a través de una buena simulación de fuerza bruta a la antigua.
Lo que creo que está sucediendo aquí es que el entrenamiento de la red neuronal se usa para crear un objeto estadístico, una especie de distribución de probabilidad. Una forma de pensar en las redes neuronales es que actúan como una forma de compresión de datos. Al entrenar una red neuronal en algo, esencialmente está ajustando una curva multidimensional complicada hecha de cientos de parámetros en datos que podrían contener millones de puntos. (En cierto modo, los humanos también hacen esto. Tomamos una variedad caleidoscópica de experiencias individuales y les damos sentido a través de un número relativamente pequeño de reglas generales, que luego usamos para guiar decisiones en eventos futuros que es poco probable que sean exactamente los mismos). igual que un evento anterior).
Como se mencionó en la respuesta de LeWavite a una de sus preguntas anteriores, para n objetos tiene 1/2 n(n-1) posibles colisiones de las que preocuparse. Hay alrededor de ~ 17000 bits de desechos espaciales que se rastrean actualmente, lo que significa que hay ~ 144,500,000 posibles colisiones para clasificar, un número bastante difícil de manejar.
La diapositiva clave de su presentación es esta: (Probablemente necesite ampliarla para ver mejor, el original no era tan bueno)
Por lo que puedo deducir de este diagrama, hay dos redes neuronales con dos funciones diferentes. El diagrama de la izquierda parece ser algún tipo de diagrama de estado de los sistemas de control del tipo que usan los robots. La red neuronal roja toma 5 parámetros orbitales (los necesarios para definir la órbita, pero no dónde está el objeto en la órbita). No me queda claro cuáles son los tres parámetros de salida (Y(1),Y(2),Y(3)), no parecen aparecer en ningún otro lugar.
La red neuronal azul parece actuar de manera similar a un filtro de Kalman extendido , en el sentido de que las predicciones de la red neuronal roja se actualizan continuamente con nuevos datos de los objetos rastreados a medida que sus órbitas cambian naturalmente de sus ideales keplerianos. Al entrenar la red neuronal en estas actualizaciones, aprende un "sentido" de cómo las órbitas del objeto tienden a cambiar con el tiempo.
Eso es todo lo que puedo extraer del diagrama. Teniendo en cuenta que este es un sistema propietario, dudo que haya mucho más que eso.
Cuestiono la utilidad de usar redes neuronales convolucionales. Se utilizan para situaciones en las que las columnas individuales de datos están relacionadas espacialmente, como puntos en una cuadrícula. Principalmente los ves con redes neuronales de procesamiento de imágenes, pero pueden hacer otras cosas, como generar terreno a partir de líneas dibujadas . Solo hay 5 parámetros de entrada en las dos redes neuronales que se muestran en la charla y representan conceptos diferentes, por lo que no veo cómo las CNN pueden ayudar aquí.
GDD
UH oh
UH oh
DuqueZhou
UH oh
cris
Kornpob Bhirombhakdi
UH oh
UH oh
Kornpob Bhirombhakdi
UH oh