用于高对比度成像的自优化自适应光学强化学习控制
天体物理仪器与方法
2021-08-26 v1 地球与行星天体物理
机器学习
摘要
当前和未来的高对比度成像仪器需要极限自适应光学 (XAO) 系统以达到直接成像系外行星所需的对比度。望远镜振动和控制环路延迟引起的时间误差限制了这些系统的性能。减少这些影响的一种方法是使用预测控制。我们描述了如何使用无模型强化学习来优化用于闭环预测控制的循环神经网络控制器。首先，我们在仿真和实验室装置中验证了所提方法用于倾斜控制的效果。结果表明，与最优增益积分器相比，该算法能够有效学习抑制振动，并降低幂律输入湍流的残差。我们还表明，该控制器能够学习最小化随机振动，而无需在线更新控制律。接下来，我们在仿真中表明我们的算法也可应用于高阶变形镜的控制。我们证明，在平稳湍流下，我们的控制器在小角分离处可提供两个数量级的对比度提升。此外，我们表明，对于不同的风速和风向，无需在线更新控制律即可实现超过一个数量级的对比度提升。
引用
@article{arxiv.2108.11332,
title = {Self-optimizing adaptive optics control with Reinforcement Learning for high-contrast imaging},
author = {Rico Landman and Sebastiaan Y. Haffert and Vikram M. Radhakrishnan and Christoph U. Keller},
journal= {arXiv preprint arXiv:2108.11332},
year = {2021}
}
备注
Accepted for publication in JATIS. arXiv admin note: substantial text overlap with arXiv:2012.01997