基于强化学习的无波前传感器自适应光学方法用于星地激光通信
机器学习
2023-03-15 v1 天体物理仪器与方法
信号处理
摘要
光学星地通信（OSGC）有潜力改善偏远地区对快速且负担得起的互联网的接入。然而，大气湍流会扭曲光束，在耦合进单模光纤时削弱数据速率潜力。传统自适应光学（AO）系统使用波前传感器来改善光纤耦合，这导致系统体积、成本和复杂度增加，消耗部分入射光束并引入延迟，使得用于互联网服务的 OSGC 不切实际。我们提出使用强化学习（RL），通过与低成本四象限光电二极管而非波前相位分布相机交互来学习控制策略，从而将系统的延迟、体积和成本降低多达 。我们开发并共享了一个 AO RL 环境，该环境提供基于斯特列尔比（Strehl ratio）开发和评估 RL 的标准化平台，斯特列尔比与光纤耦合性能相关。我们的实证分析发现，近端策略优化（PPO）优于软 actor-critic 和深度确定性策略梯度。PPO 在训练 250 个回合后收敛到理想夏克-哈特曼传感器所获得最大奖励的 ，表明 RL 有潜力实现高效的无波前传感器 OSGC。
引用
@article{arxiv.2303.07516,
title = {Reinforcement Learning-based Wavefront Sensorless Adaptive Optics Approaches for Satellite-to-Ground Laser Communication},
author = {Payam Parvizi and Runnan Zou and Colin Bellinger and Ross Cheriton and Davide Spinello},
journal= {arXiv preprint arXiv:2303.07516},
year = {2023}
}
备注
9 pages, 10 figures, 1 table, submitted to IJCAI 2023