Data-Driven Approach for Satellite Onboard Observation Task Planning Based on Ensemble Learning

Das Kapitel führt einen datengestützten Ansatz für die Planung von Beobachtungsaufgaben an Bord von Satelliten ein, der auf dem gemeinsamen Lernen beruht. Traditionelle Methoden stützen sich auf heuristische Suchalgorithmen, aber dieser Ansatz nutzt maschinelles Lernen, um die Aufgabenplanung ohne die Notwendigkeit solcher Algorithmen zu optimieren. Das vorgeschlagene Rahmenwerk besteht aus Offline-Lern- und Online-Entscheidungsphasen, in denen ein Klassifizierer geschult wird, um zu entscheiden, ob eine Beobachtungsaufgabe geplant werden soll. Fünf Arten von Merkmalen wurden entwickelt, um die Beobachtungsaufgaben darzustellen, und drei Methoden des Ensemblelernens - Extreme Gradient Boosting (XGBoost), Gradient Boosting Decision Tree (GBDT) und Random Forest (RF) - werden verwendet, um den Entscheidungsträger zu schulen. Experimentelle Ergebnisse zeigen, dass dieser Ansatz geringere Gewinnlücken und kürzere Reaktionszeiten im Vergleich zu herkömmlichen heuristischen Methoden erzielt, was das Potenzial des maschinellen Lernens bei der Optimierung komplexer Aufgabenplanungsprobleme in der Luft- und Raumfahrtindustrie unterstreicht.