DikpolaSat 任务：利用训练深度神经网络改进空间飞行性能与最优控制——用于空间物体碰撞规避的轨迹控制器
机器人学
2021-06-02 v1 机器学习
摘要
本文介绍了 DikpolaSat 空间任务、本研究如何契合该任务，以及采用训练好的 DNN 模型取代常规 GN&C 功能的重要性。本文展示了如何通过让航天器沿参考模型中所指定的期望路径飞行来进行控制器演示。通过考察用于构建 DNN 的路线并理解各种激活函数对系统效率的影响，可取得改进。障碍规避算法内置于控制特性中，利用来自神经网络的输入对碰撞规避作出自发响应，同时优化修正后的轨迹。神经网络控制控制器中非线性机制自适应特性的作用，将使控制系统能够处理多种非线性事件以及控制算法中未引入的不确定性。利用飞行动力学在轨迹及障碍规避事件中的知识，可实现多种优化飞行控制与燃料消耗的算法。本文还解释了 DNN 如何学会控制飞行路径并使系统随每次发射更加可靠，从而提高预测空间物体碰撞的几率。本研究发布的数据也被用于设计能够预测其他轨道事件的更先进 DNN 模型。
引用
@article{arxiv.2106.00007,
title = {DikpolaSat Mission: Improvement of Space Flight Performance and Optimal Control Using Trained Deep Neural Network -- Trajectory Controller for Space Objects Collision Avoidance},
author = {Manuel Ntumba and Saurabh Gore and Jean Baptiste Awanyo},
journal= {arXiv preprint arXiv:2106.00007},
year = {2021}
}
备注
7 pages, 8 figures