基于强化学习的卫星星座重构与任务重新分配
机器学习
2024-09-05 v1 人工智能
系统与控制
系统与控制
摘要
卫星星座应用的开发正在快速发展，以满足日益增长的用户需求、降低运营成本以及技术进步。然而，现有文献中存在一个显著差距，即卫星星座内部的重构和任务重新分配问题，这是我们的研究重点。在本工作中，我们对卫星故障对星座性能及其关联任务要求的影响进行了批判性评估。为促进这一分析，我们引入了一种用于GPS卫星星座的系统建模方法，使我们能够探讨性能动态和任务分配策略，特别是在卫星在任务关键操作期间发生故障的情形下。此外，我们引入了强化学习技术，具体包括Q学习、策略梯度、深度Q网络(DQN)和近端策略优化(PPO)，用于管理卫星星座，以解决因卫星故障后进行重构和任务重新分配所面临的挑战。我们的结果表明，DQN和PPO在平均奖励、任务完成率和响应时间方面均取得了有效结果。
引用
@article{arxiv.2409.02270,
title = {Reinforcement Learning-enabled Satellite Constellation Reconfiguration and Retasking for Mission-Critical Applications},
author = {Hassan El Alami and Danda B. Rawat},
journal= {arXiv preprint arXiv:2409.02270},
year = {2024}
}
备注
Accepted for publication in the IEEE Military Communications Conference (IEEE MILCOM 2024)