基于深度神经网络的不规则小行星着陆实时最优控制
最优化与控制
2020-02-19 v1
摘要
在小行星上的精确软着陆是许多用于表面探测与资源开发的深空任务的核心。为提升着陆控制的自主性与智能化，提出一种利用深度神经网络(DNN)的小行星着陆问题实时最优控制方法，所开发的基于DNN的着陆控制器能够以对初始条件的高鲁棒性将着陆器导引至预选着陆点。首先，为显著减少引力计算耗时，使用DNN基于多面体法样本逼近小行星的不规则引力场。接着，利用所设计的引力逼近方法与同伦技术，提出一种近似间接法以高计算效率求解时间最优着陆问题。进而，开发五个DNN学习由近似间接法获得的状态与最优动作之间的函数关系，所得DNN因不再需要在星上求解最优着陆问题而可实时生成最优控制指令。最后，设计由这五个DNN构成的基于DNN的着陆控制器，以实现小行星着陆的实时最优控制。给出了Eros时间最优着陆的仿真结果，以证实这些技术的有效性并展示所开发基于DNN的最优着陆控制器的实时性、控制最优性与鲁棒性。
引用
@article{arxiv.1901.02210,
title = {Real-Time Optimal Control for Irregular Asteroid Landings Using Deep Neural Networks},
author = {Lin Cheng and Zhenbo Wang and Yu Song and Fanghua Jiang},
journal= {arXiv preprint arXiv:1901.02210},
year = {2020}
}