ARLISS2023に参加した話

ARLISSって何?

2023年9月10日から15日にアメリカのネバダ州ブラックロック砂漠で行われた超小型人工衛星CanSatの打ち上げ実証実験であるARLISSに参加してきました.ARLISSではアマチュアロケット団体AeroPACの方に協力してもらい,制作したCanSatをロケットに載せて打ち上げ,ロケットから放出されたCanSatが砂漠中の目的地に自律的に降りたり,走ったりするコンペティションです.自分たちでミッション (目標)を設定して,それの達成を目指します.

ARLISSという名前を初めて聞いた方が多いかもしれませんが,実はマンガ「宇宙兄弟」でARLISSのシーンがありました.公式サイトでも紹介されています.実は宇宙兄弟に出てくるスポンジタイヤのローバは私の研究室のローバがもとになっているそうです(今でもスポンジタイヤを使ってます).

https://koyamachuya.com/contents/51391/より引用

ARLISSはUNISECという宇宙工学の分野で学生を支援をするNPOによって運営されています.運営の主要メンバーも学生です(お疲れ様です...).

そんなARLISSですが,誰でもアメリカで打ち上げられるわけではなく,審査に通った機体だけ打ち上げられます.

審査は主に下記があります.

  • (ミッションレビュー)
  • 1次審査(今後の試験計画や試験方法の妥当性をチェック)
  • 2次審査(各種実験結果,安全に関する最終審査)

ミッションレビューは審査とは関係ないですが,設定したミッション(目的)をもっと面白くするには,実現性を高めるにはという面でアドバイスがもらえます.1次審査では,そのCanSatをつくる背景,ミッションの段階的目的,その評価方法,開発機体の詳細,安全やミッションを達成できる機体かの試験計画について確認されます.2次審査では1次審査で足りなかった部分や実際に行った試験結果等を審査員が見て,問題がないことがわかってから初めて打ち上げられます,

試験内容は多岐に渡ります.着地衝撃試験,開傘衝撃試験,振動試験,分離衝撃試験,準静的荷重試験,収納放出試験,パラシュート投下試験,長距離通信試験,質量試験,走破能力試験,GPS誘導試験,End-to-end試験,制御レポート作成試験等の多くの実験を得て審査されます.

これらの実験はJAXA等で実際にされている試験です(というか審査書のフォーマットがJAXAを参考にしています).

ARLISSで何をしてきたのか

私たちのチームPrTでは,ワイヤレス給電可能なローバーと給電基地を開発し,ARLISSの場で実験してきました.近年,月にある縦穴(溶岩チューブ)が,人間の月での新しい住居や貴重な鉱物資源があるとして注目されています.しかし,従来の宇宙探査ローバは動力を太陽光で賄う太陽光発電がメインでしたが,光が入らない縦穴では充電できません.そこで,洞窟の外に動力源を持つ給電基地を縦穴内に設置し,ローバは縦穴内を探索しながら必用に応じて給電するという方法を提案しました.

私たちは電磁誘導を用いたワイヤレス給電が可能なローバを開発しましたが,大きな問題がありました.それは電磁誘導方式の給電はコイル同士の位置ずれに非情に弱いことです.そのためローバが給電基地に精密に誘導できる仕組みを考える必要がありました.例えばルンバでは赤外線を用いて,これを行いますが宇宙環境の赤外線は地球環境に比べて強く赤外線は信頼できるものではありません(地球でも太陽下ではまともに使用できない).そこで,私たちはGPS誘導,ARマーカー誘導,リニアアクチュエータと磁石の誘導の3つの誘導により精密誘導を実現しました.

ARLISSでの具体的なミッションは以下の通りです.

  1. 着地したら給電基地にGO
  2. 精密誘導手法により給電基地で15分充電
  3. 充電後周りを10分探索
  4. 2. 3をあと2回繰り返す
  5. ゴール(コーンがある移動目的地点)を目指す
  6. ゴールに0mで到着する

画像

さて,上のフローを見ただけで最高に狂ったミッションになっていることがわかると思います(笑).本番当日までみんなで割と後悔してました.

結果ですが,なんとすべての目標を達成しました(8888).ARLISS2023で総合優勝(Overall winner)と目標地点への誘導精度を競うAccuracy Awardで 1stをもらいました!!!

ローバの画像

給電基地で充電しているローバ

ちなみに自分は,主にミッションの企画・設計や回路や給電部分の部品選定,回路設計,開発を担当してました.

ARLISS中の生活

折角なのでCanSatの話だけでなく,ARLISS中の生活についても話したいと思います.ブラックロック砂漠はネバダ州にある乾燥地帯です.毎年バーニングマンという祭が開催されていることで有名です.リノという町の空港に降りて,リノ(Reno)からファンリー(Fernley)を経由して砂漠の近くの町ガーラック(Gerlach)に車で向かいます.このGerlachで一週間ほど生活をしますが,スーパー等は一切ないため私たちの団体はFernleyで1週間分の食料と水を買い込んで生活しています(一応Empireという町に小さいコンビニみたい店があります),ちなみにスケールがバグりますが,FernleyとGerlach間は片道2, 3時間かかります.Gerlachは砂漠前の町でARLISSは特にバーニングマン直後にあり,怖い人たちがいますので注意で必用です.Gerlachでキッチン付きの部屋を借りて,砂漠と宿を言ったり来たりしながらARLISSに参加します.今年はチームに関係なく来てくれた人がいたおかげで餓死せずにすみました(感謝).

圧倒的砂漠...!

日本にいるとここまで広大な砂漠に出会うことはないので,かなりワクワクします.が.同時に超絶広大なので迷子もしくは水がなくなるとマジで死にます(ちなみにロケットやCanSatも打ち上げっているのでそれに当たっても重症もしくは死にます).写真だと山がちょっと遠くにあるように見えますが,実際はめちゃくちゃ離れているので絶対に歩いては行けない距離です.正直,こことアメリカの治安悪いところを経験すると日本で何もビビることがなくなりました...

ARLISS期間中は割と過酷な日々を送ってましたね.まず昼を過ぎると風が強くなる傾向にあるため朝の打ち上げを狙います.なので,朝5時とか6時にはもう準備や機体整備を終えて,砂漠で最後のEnd-to-end試験を行って完璧な仕上がりになってから,打ち上げ前の最終チェックを行い,打ち上げという流れになります.なので朝から準備をしていても打ち上げは昼ぐらいになります.もし今日は打ち上げできる状況では無さそうだったら,ひたすら砂漠で実験と調整をします.夜になったら宿に戻って,また機体の調整と整備をするというループを繰り返していました.正直ARLISS期間中は打ち上げが終わるまでほとんど寝てないです.

あとはロケットに詰め込んで打ち上げもらい,無事成功することを祈ります.

話は変わりますが,AeroPACの方が夜に花火のような感じで光るロケットを打ち上げるイベントをやっており結構きれいなのでおすすめです.夜の砂漠は星を遮るものが何もないので,めちゃくちゃ綺麗に星が見えます.

宿の店で売ってるバーガー

アメリカ観光

ARLISSに行った後,日本に戻るまでの2, 3日アメリカ観光をしました.今年はシアトルに行きました.海が近くて綺麗なところでした!!!

パイクプレイス・マーケットはスタバックス1号店や食べ物屋,市場等があります.クラムチャウダーとかが有名です.

航空博物館にも行きました.大量の実物飛行機が並んでいて,中にも入れるすごいところでした.

チフーリ・ガーデン・アンド・ガラスというガラスアートの展示を見に行きました,ガラスがめちゃくちゃ綺麗で個人的おすすめスポットです.

最後に

ARLISSは開発も審査書も含めて過酷ですが,チームでのプロジェクト開発が経験できるチャレンジングな機会でした.興味を持った方は是非CanSatを作ってみましょう!!!

 

P.S.1 自分の団体も含めてARLISSに参加している学生はほとんど自費で海外に行っているため,ARLISSの運営自体も含めて支援してくれる企業さんとかがいてくださると今後の宇宙界隈のますますの発展に繋がるのではないかなと思ったり...
P.S.2 ARLISSはすごいことをしているはずなのに,絶望的なまでに知名度がないためもっと広めていきたい

能代宇宙イベント2023に参加しました

去年に引き続き8/16-21に秋田県能代市で開催された能代宇宙イベントに参加しました.

去年は雨で体育館での実験でしたが,今年は例年通り堆積場で実施されました.

初日は全員で茫々に生えた草を刈りました(かなりしんどかった...)

肝心の実験では,

一回目はパラシュートの切り離しまで成功しましたが走行途中で草にスタック

二回目は落下衝撃でモータが破損

という結果でした,

やはりスポンジタイヤは落下衝撃に強く軽いが,草地の走行には向かないという印象でした.ただマクソンモータとエナジャイザーの力でぎりぎり動けてました.

めちゃくちゃ熱い中での実験でしたが,色々なアドバイスをくれた方々,運営の方々ありがとうございました.能代から帰ってきたらこんがり焼けてました.

P.S. 今年も秋田

で色々食べたり飲んだりしてました.

さよならの言い方なんて知らない。8読了

今まで鍵になっていた「ウォーター&ビスケットの冒険」の作者桜木秀次郎のメッセージによって局面が動く.主人公,月生,ユーリイ,リリィがいる平穏な国vsトーマ,白猫がいる世界平和創造部の戦争.特に月生と白猫の70万ポイント同士の戦いが異次元だった.個人的にはその戦いを裏から支えようとした探索士のリャマがお気に入りでした.月生は最初最強の存在として描かれていたが,今なら人間性にあふれた好きなキャラでした.

その後始まるvsヘビ.ヘビを倒しきれなかったことが最後にどのように響いてくるのか.結局架見崎の最後の決着まで誘導しきったのは主人公とトーマで,その最後の戦いが始まる.

 

あらすじ

AI戦争×異能力バトルの金字塔!

現実世界の桜木秀次郎からのメッセージは、香屋歩に「切り札」を与えた。架見崎を破滅へと導くウロボロスへの対抗策を。……時を同じくして、平穏な国と世界平和創造部は戦争へと突入する。戦端を開いたのは、月生亘輝と白猫。「最強」と呼ばれる二人が、互いに七十万もの戦力を保持して、激突する。鍵を握る七秒間、ヒトの認知を超えた戦いの行方は?
邂逅と侵略の青春劇、第8弾。

www.amazon.co.jp/dp/B0CCRZMGNL

透明な夜に駆ける君と、目に見えない恋をした。読了

目が見えず闘病生活を続けるヒロインとそれを支えようとする主人公の話.病気になった弱い女の子かと思えば,よく笑い何事も諦めない女の子.そんなヒロインに影響され主人公も変わっていく.しかし現実は非情にも彼らの邪魔をする.2人でひたすらに病気と闘い続けるビターなお話.アンニュイなときに読むと元気がもらえます.

www.amazon.co.jp/dp/B0C73T39HC

死亡遊戯で飯を食う。読了

所謂デスゲームもの.だけど主人公がすでに数十回ゲームを体験している点が普通ではない.主人公の現在と過去ゲームの記憶を行き来しながら,この不思議なデスゲームは一体何かという疑問とともに読むことになる.絵でだまされそうになるが,ゲームの中身自体はかなり容赦がない.そんな一風変わったデスゲームものを読みたい方はぜひ.

www.amazon.co.jp/dp/B0BLXHQV9Y

Fate:Lost Einherjar 極光のアスラウグ(1)「亜種二連聖杯戦争」読了

久々にFateシリーズを読んだ.まさかのアポクリファ時空の話で,主人公がカウレスたちの妹でした.Twitterの某北欧の推しの人の画像で知っていたが,アスラウグとラグナルの関係が非常によかった.北欧推しになるのは非常によくわかった.2巻が出たら読みます.

www.amazon.co.jp/dp/B0BS8PP4ZQ

Hyper-ellipsoidal conditions in XCS: rotation, linear approximation, and solution structure

Butz, Pier, and Wilson, 2006
論文URL: https://dl.acm.org/doi/abs/10.1145/1143997.1144237

  • XCSは分類,強化学習タスクの他に,関数近似もできる
    • XCSは空間分割を学習し,最大の精度と一般的な関数近似を可能にする
  • 近年の関数近似のアプローチXCS
    • 超直方体表現を超楕円形表現に
      • 多くの関数近似問題で楕円形表現が有効であることが示された(参照5)
    • 反復線形近似を再帰的最小二乗法RLSに(参照13, 14)
  • 本論文ではこれらを組み合わせたアプローチの有効性を検証
  • 突然変異演算子を変更し,楕円体を回転させる角度突然変異を実装
  • これらにより非線形関数におけるXCSの性能が向上
    • 関数に形状に応じて楕円体を伸縮させ回転させたことを確認
  • 進化的アルゴリズムは問題空間をいい感じに分割する方法を探索する
    • 突然変異はよい解の近傍を探索
    • 削除と選択により汎化の圧力を強める
    • 問題空間全体をカバーする分類子集合の進化を偏らせる
    • XCSは進化的手法と勾配学習手法を組み合わせて分散局所探索を行い,大域的な問題を解決
  • XCSFのパラメータ依存性の調査
    • N = 6400, β = η = 0.5, α = 1, ε0 =.01, ν = 5, θGA = 50, τ = .4, χ = 1.0, = 0.05, r0 = .5, θdel = 20, δ = 0.1, θsub = 20.
    • 学習率βが大きいのはよくない
      • 条件部を大きく変えるより
      • 突然変異みたいな小さい反復的な学習がいい?
    • RLSは近似値の学習にはよいが問題空間の分割には直接役立たない
    • 角度突然変異は,最大に適した問題空間への進化を可能にし,RLSは進化した分割でより高速に関数近似が可能
  • 実験:関数最適化
    • 独立した次元を持つ関数(軸に依存しない正弦関数) 正弦関数
      • 楕円の回転が有効なのは次元が互いに非線形に依存している場合だけという仮説があった
      • 依存関係がない関数では確かに角度変異は影響を及ぼさず,学習率も性能に変化をあまり与えない
    • 独立ではない関数 正弦関数を重ねたもの
      • 角度変異が進化に役立つ
    • 非連続微分可能な関数
      • 微分の非連続点で線形近似が大きく狂ってしまう
        • 正しく分割する必要あり
      • 角度変異によって速い学習性能とより正確な分類子が得られる
      • RLSも学習性能を向上させるが,角度変異の方が影響が大きい
    • 交叉の影響
      • 交叉は交叉しない場合と比べて学習速度を速め,精度を向上させている
      • しかし,影響がほとんどない場合関数(軸に依存しない正弦関数)もあった
  • Fature work
    • 楕円形条件部ではサブサンプションはほんとど起きない
    • ルール凝縮アルゴリズムの改良
    • ランダムな分類器を削除して頑健性をテストするといいかも

Autoencoding with a classifier system

論文: https://ieeexplore.ieee.org/abstract/document/9427963?casa_token=U9Xrb5dcV8UAAAAA:DbVlHpzfSynnRPLXcZHyTx1AX65APb59CA8pXmfzAZUQXxqCFWDsc8IqjkmiIFtHAC6NotRb1ks

  • Preen, Wilson, & Bull, 2021 LCSの有名人たちの論文

Intro

  • 従来のAutoencoder(Neural Network)は問題空間すべてをカバーする1つのグローバルなモデルを構築していた
    • 時間と計算コストがかかる
    • 改善案
      • 枝刈り,スパース化
      • Dynamic neural networks
        • 入力に応じてモデルの構造やパラメータを変更
      • Conditional computation
        • 入力ごとにモデルの一部を活性化(疎にする)
  • LCS(XCSF)は入力空間をいい感じに細分化し,局所的な近似モデルのアンサンブルにして領域をカバーする
  • AEの話
    • 計算資源があれば大きなモデルを学習できるけど,モバイルデバイスとかだと無理だよね
    • 画像圧縮でAEのアンサンブルがJPEGよりよい性能
      • アンサンブル内のどのAEを使用するかを識別するために追加の符号化が必要
  • LCSを使用して入力ドメインを小さいオートエンコーダのアンサンブルに適応的に分解して,局所解を出す
    • 収束時間や計算コスト,コードサイズを削減した
  • 貢献
    • XCSF分類器システムをオートエンコーダ問題に適応させ,初めて多数のデータセットでテストした.
    • ニューロン数および接続性を進化させたニューラルネットワークの性能について検討し,異種ニッチエンコーダが出現する可能性を示した.
    • 自己適応方式を導入し,各層が局所的な勾配降下率に適応するようにする.
    • 目標誤差を指定することで,システムが自動的に所望の再構成誤差を持つ最大圧縮ネットワークを設計する平均が提供される.これは,ネットワークアーキテクチャを手動で指定し、あらかじめ定義されたペナルティ関数やスパース性制約を課す従来のアプローチと対照的である.
    • LCS適応ニッチングが性能の向上をもたらすという仮説を,グローバルモデル構築と同等のものと比較することで実証的に検証する.

関連(NNの構造最適化)

  • ベイズ的手法
  • 強化学習手法
    • 高次元問題でEAと競合
  • 進化的手法(NAS)
    • 入力に対して構造とパラメータが変化しないことが前提
    • 確率的勾配降下法と進化的探索
      • 勾配なくても最適化できる
    • 組み合わせたもの
      • 重みを遺伝子として持つ
      • 遺伝子には持たないが選択時に考慮される

関連 LCSとNN

  • 分類子とNNのニューロンの比較
  • Fitness Sharingを用いてNNのレイヤーを最適化していく
  • LCSの表現形としてNNを用いる(Bull)

手法

  • XCSFを派生
  • 各分類子が小さなAEを持ち,入力を再現するように学習
    • 入力に照合するかと判定するモデル(cl.C)と復元した結果を返すモデル(cl.p)を持つ
  • Covering
    • 照合するまでランダムなネットワークが生成される
  • cl.Cが0.5以上でMatchSetへ
  • UpdateとEA
    • 強化部
      • [M]に対して実行
      • [M]の適合度加重平均を出力に使用
      • 分類子の誤差の更新にはMSEを使用
        • いつも通りWidrow-Hoffデルタルール
      • cl.Pは確率的勾配降下で重みを更新
        • cl.Cは更新しない
    • 発見部
      • 交叉なし(参照36より),突然変異使用
        • 進化戦略のアプローチに近い
      • 分類子のNN各層は変異率ベクトルを保持
        • 4種類の変異方法が検討されている
      • Coveringに一定回数以上マッチしない分類子は削除
      • 汎化度の指標
        • 照合した入力の割合を保存

実験

  • データセット4つ
    • USPS DIGITS,MNIST DIGITS,Fashion-MNSIT,CIFAR10
  • すべてのデータセットでXCSFはEAより収束が速い
  • ネットワークの接続変異は単純なモデルでは収束が遅くなるが,複雑なデータセットでは速くなる
  • 再構成誤差も有意に小さくなる
  • 今後,教師ありや強化学習のタスクに適用,事前学習を行う等の取り組み

tag: Learning Classifier System, Autoencoder, Evolutional Algorithm, XCSF, self-adaptation

先頭に戻る