CN114435631A - 一种航天器自主控制系统 - Google Patents
一种航天器自主控制系统 Download PDFInfo
- Publication number
- CN114435631A CN114435631A CN202210148195.9A CN202210148195A CN114435631A CN 114435631 A CN114435631 A CN 114435631A CN 202210148195 A CN202210148195 A CN 202210148195A CN 114435631 A CN114435631 A CN 114435631A
- Authority
- CN
- China
- Prior art keywords
- spacecraft
- algorithm
- data
- control system
- ant colony
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000002922 simulated annealing Methods 0.000 claims abstract description 7
- 238000000137 annealing Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 4
- 238000003032 molecular docking Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000003016 pheromone Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005293 physical law Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/242—Orbits and trajectories
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/244—Spacecraft control systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/244—Spacecraft control systems
- B64G1/245—Attitude control algorithms for spacecraft attitude control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及航天技术领域,且公开了一种航天器自主控制系统,使用遗传+蚁群+模拟退火混合算法模型在物理仿真模型下对数据集进行训练并输出对最优转移轨道、最优着陆地点、最优姿态等的预测结果,传统的遗传算法或蚁群算法单一使用时会出现限入局部最优解、收敛速度慢、计算量大且复杂扥问题。本发明使用者输入任务内容和目标;航天器通过自带的摄像头、激光雷达和其他各类传感器感知所处环境和自身状态的具体信息;处理感知数据形成数据集;搭建物理仿真模型;使用遗传+蚁群+退火混合算法在物理仿真模型下进行任务轨道、航天器姿态最优解决策;使用智能控制算法控制航天器执行任务,使用高效。
Description
技术领域
本发明涉及航天技术领域,具体为一种航天器自主控制系统。
背景技术
当前,人类航天科技的高速发展,空间探索任务将会变得愈来愈复杂,航天器将遇见的未知事物愈来愈多,航天器的探索距离也愈来愈远,传统的航天器控制方式将愈来愈难适应复杂的新环境。传统的空间任务中通常采用“地面测定轨+遥测下传→情况判定→决策规划→上注指令→在轨执行”的方式,该方式由于天地距离遥远、信号传输延迟等原因无法对任务进行实时决策,导致一些空间任务无法高效率、高标准地完成。虽然现世界上已有许多航天器自主交会对接、智能控制等技术,但这些技术多碍于航天器计算能力有限,所以仅是将航天器获取数据先传输给地面控制中心处理训练,最后把训练模型再传回给航天器进行决策。这种方式或多或少有人工参与,也还是没有解决时延问题。本发明除开始人工设定任务内容外,从航天器发射、轨道转移、环绕目标天体、目标天体着陆等都是自主执行,较好解决时延、人工操作复杂的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种航天器自主控制系统,以解决上述背景技术中提出的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种航天器自主控制系统,包括任务输入模块,所述任务输入模块的输出端与数据测量模块的输入端信号连接,所述数据测量模块的输出端与模型仿真模块的输入端信号连接。
一种航天器自主控制系统,包括以下步骤:
步骤S1:输入任务内容,可包括运载火箭回收、星球软着陆、交会对接等;
步骤S2:航天器通过摄像头、激光雷达、各种传感器等自身硬件获取所处环境信息(重力加速度、空气密度、地理信息等)和自身状态(燃料剩余量、位置信息、航天器姿态、健康信息等);
步骤S3:对步骤S2感知的数据进行处理;
步骤S3.2:使用数据结构将S3.1和其他各类传感器获取数据保存形成数据集;
步骤S4:搭建物理仿真模型,为了使决策结果符合现实物理定律,需要依据感知到的环境数据及基本物理公式搭建物理仿真模型;
F=[Fx Fy Fz]T
其中[X Y Z]和[Vx Vy Vz]分别表示航天器在目标相对坐标系下的X,Y,Z三个方向上的位置和速度,[ax ay az]T是航天器的加速度,u为控制量,F为主推力指令,M0为控制力力矩,F1为控制力,J为转动惯量,ω和θ分别为角速度和姿态角,g为所处环境重力加速度;
步骤S5:使用遗传+蚁群+模拟退火混合算法模型在物理仿真模型下对数据集进行训练并输出对最优转移轨道、最优着陆地点、最优姿态等的预测结果,传统的遗传算法或蚁群算法单一使用时会出现限入局部最优解、收敛速度慢、计算量大且复杂托问题,本发明先将遗传算法和蚁群算法融合,在搜索过程中改变了信息量的更新方法,引入局部最优搜索策略,加快算法收敛速度,同时扩大了解的搜索空间,最后再与模拟退火算法结合,更进一步解决前两种算法容易陷入局部最优解的缺点,融合和后的算法有效地克制了单一算法本身存在的缺陷,也可以把算法本身优势充分发挥出来,大大提高了算法的速度和求解效率,达到了时间性能和优化性能的双收获;
步骤S5.1:蚁群开始寻找路径并计算该代蚁群的适应度;
步骤S5.2:进入遗传算法与模拟退火算法,选择蚁群某些个体进行遗传因子交叉、变异,最后经过退火产生新一代蚁群;
步骤S5.3:判断输出结果是否满足适应度终止条件,若不符合则进行信息素全局更新并返回步骤S5.2继续种群迭代,直到结果符合终止条件就跳出迭代;
步骤S5.4:使用最后一代蚁群对地点、轨道、姿态等最优解进行求解;
步骤S6:智能控制航天器执行任务,使用PID算法调控航天器的RCS、发动机、推力矢量调节器等硬件,使航天器按决策出来的最优轨道和姿态解来执行任务,高效率、高标准地完成任务;
步骤S6.1:ID算法进行比例调节、积分调节、微分调节得到调节结果;
步骤S6.2:把调节结果传输给执行机构,包括航天器的发动机、RCS等;
步骤S6.3:循环进行步骤S6.1到S6.2,直到航天器状态与任务目标一致或误差较小。
优选的,步骤S3中,摄像头可用于获取目标星球的遥感图像,使用轻量级全卷积语义分割网络LU-Net处理,将目标星球的地理信息(高原、环形山、裂谷等)分割并按类别标记,传统的U-Net网络运行速度较慢,所以本文采用改进后的LU-Net网络,即保持原算法训练数据少、准确率高的优点,又将运行速度提高5倍,减低了对航天器计算能力的要求。
优选的,步骤S3中,激光雷达可获取与目标的距离,对获取数据使用无损卡尔曼滤波算法,得到航天器的轨道信息(长半径、短半径、倾角等),标准的卡尔曼滤波是线性假设模型,而空间任务的数学模型多数是非线性和不确定性,且随着空间技术的发展,该数学模型会变得越来越来复杂多变,所以单纯使用卡尔曼算法是无法满足要求的。因此本发明使用无损卡尔曼滤波算法,通过无损变换变换使非线性系统方程适用于线性假设下的传统的卡尔曼体系算法。
优选的,步骤S5中,创建初始蚂蚁种群,设置初始化参数和损失函数,定义路径起始点和目标终点,加载物理仿真模型。
优选的,所述步骤S6中,实时感知航天器的环境和自身位置姿态信息,将实时感知数据与决策出的最优解作为PID算法的输入。
与现有技术相比,本发明提供了一种航天器自主控制系统,具备以下有益效果:
1、本发明使用者输入任务内容和目标;航天器通过自带的摄像头、激光雷达和其他各类传感器感知所处环境和自身状态的具体信息;处理感知数据形成数据集;搭建物理仿真模型;使用遗传+蚁群+退火混合算法在物理仿真模型下进行任务轨道、航天器姿态最优解决策;使用智能控制算法控制航天器执行任务,使用高效。
2、本发明通过使用PID算法调控航天器的RCS、发动机、推力矢量调节器等硬件,使航天器按决策出来的最优轨道和姿态解来执行任务,高效率、高标准地完成任务。
附图说明
图1为本发明系统结构示意图。
具体实施方式
请参阅图1,本发明提供一种技术方案:一种航天器自主控制系统,包括任务输入模块,任务输入模块的输出端与数据测量模块的输入端信号连接,数据测量模块的输出端与模型仿真模块的输入端信号连接。
一种航天器自主控制系统,包括以下步骤:
步骤S1:输入任务内容,可包括运载火箭回收、星球软着陆、交会对接等;
步骤S2:航天器通过摄像头、激光雷达、各种传感器等自身硬件获取所处环境信息(重力加速度、空气密度、地理信息等)和自身状态(燃料剩余量、位置信息、航天器姿态、健康信息等);
步骤S3:对步骤S2感知的数据进行处理;
步骤S3.2:使用数据结构将S3.1和其他各类传感器获取数据保存形成数据集;
步骤S4:搭建物理仿真模型,为了使决策结果符合现实物理定律,需要依据感知到的环境数据及基本物理公式搭建物理仿真模型;
F=[Fx Fy Fz]T
其中[X Y Z]和[Vx Vy Vz]分别表示航天器在目标相对坐标系下的X,Y,Z三个方向上的位置和速度,[ax ay az]T是航天器的加速度,u为控制量,F为主推力指令,M0为控制力力矩,F1为控制力,J为转动惯量,ω和θ分别为角速度和姿态角,g为所处环境重力加速度;
步骤S5:使用遗传+蚁群+模拟退火混合算法模型在物理仿真模型下对数据集进行训练并输出对最优转移轨道、最优着陆地点、最优姿态等的预测结果,传统的遗传算法或蚁群算法单一使用时会出现限入局部最优解、收敛速度慢、计算量大且复杂托问题,本发明先将遗传算法和蚁群算法融合,在搜索过程中改变了信息量的更新方法,引入局部最优搜索策略,加快算法收敛速度,同时扩大了解的搜索空间,最后再与模拟退火算法结合,更进一步解决前两种算法容易陷入局部最优解的缺点,融合和后的算法有效地克制了单一算法本身存在的缺陷,也可以把算法本身优势充分发挥出来,大大提高了算法的速度和求解效率,达到了时间性能和优化性能的双收获;
步骤S5.1:蚁群开始寻找路径并计算该代蚁群的适应度;
步骤S5.2:进入遗传算法与模拟退火算法,选择蚁群某些个体进行遗传因子交叉、变异,最后经过退火产生新一代蚁群;
步骤S5.3:判断输出结果是否满足适应度终止条件,若不符合则进行信息素全局更新并返回步骤S5.2继续种群迭代,直到结果符合终止条件就跳出迭代;
步骤S5.4:使用最后一代蚁群对地点、轨道、姿态等最优解进行求解;
步骤S6:智能控制航天器执行任务,使用PID算法调控航天器的RCS、发动机、推力矢量调节器等硬件,使航天器按决策出来的最优轨道和姿态解来执行任务,高效率、高标准地完成任务;
步骤S6.1:ID算法进行比例调节、积分调节、微分调节得到调节结果;
步骤S6.2:把调节结果传输给执行机构,包括航天器的发动机、RCS等;
步骤S6.3:循环进行步骤S6.1到S6.2,直到航天器状态与任务目标一致或误差较小。
步骤S3中,摄像头可用于获取目标星球的遥感图像,使用轻量级全卷积语义分割网络LU-Net处理,将目标星球的地理信息(高原、环形山、裂谷等)分割并按类别标记,传统的U-Net网络运行速度较慢,所以本文采用改进后的LU-Net网络,即保持原算法训练数据少、准确率高的优点,又将运行速度提高5倍,减低了对航天器计算能力的要求。
步骤S3中,激光雷达可获取与目标的距离,对获取数据使用无损卡尔曼滤波算法,得到航天器的轨道信息(长半径、短半径、倾角等),标准的卡尔曼滤波是线性假设模型,而空间任务的数学模型多数是非线性和不确定性,且随着空间技术的发展,该数学模型会变得越来越来复杂多变,所以单纯使用卡尔曼算法是无法满足要求的。因此本发明使用无损卡尔曼滤波算法,通过无损变换变换使非线性系统方程适用于线性假设下的传统的卡尔曼体系算法。
步骤S5中,创建初始蚂蚁种群,设置初始化参数和损失函数,定义路径起始点和目标终点,加载物理仿真模型。
步骤S6中,实时感知航天器的环境和自身位置姿态信息,将实时感知数据与决策出的最优解作为PID算法的输入。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种航天器自主控制系统,包括任务输入模块,其特征在于:所述任务输入模块的输出端与数据测量模块的输入端信号连接,所述数据测量模块的输出端与模型仿真模块的输入端信号连接。
2.根据权利要求1所述的一种航天器自主控制系统,其特征在于:包括以下步骤:
步骤S1:输入任务内容,可包括运载火箭回收、星球软着陆、交会对接等;
步骤S2:航天器通过摄像头、激光雷达、各种传感器等自身硬件获取所处环境信息和自身状态;
步骤S3:对步骤S2感知的数据进行处理;
步骤S3.2:使用数据结构将S3.1和其他各类传感器获取数据保存形成数据集;
步骤S4:搭建物理仿真模型,为了使决策结果符合现实物理定律,需要依据感知到的环境数据及基本物理公式搭建物理仿真模型;
F=[Fx Fy Fz]T
其中[X Y Z]和[Vx Vy Vz]分别表示航天器在目标相对坐标系下的X,Y,Z三个方向上的位置和速度,[ax ay az]T是航天器的加速度,u为控制量,F为主推力指令,M0为控制力力矩,F1为控制力,J为转动惯量,ω和θ分别为角速度和姿态角,g为所处环境重力加速度;
步骤S5:使用遗传+蚁群+模拟退火混合算法模型在物理仿真模型下对数据集进行训练并输出对最优转移轨道、最优着陆地点、最优姿态等的预测结果,传统的遗传算法或蚁群算法单一使用时会出现限入局部最优解、收敛速度慢、计算量大且复杂扥问题,本发明先将遗传算法和蚁群算法融合,在搜索过程中改变了信息量的更新方法,引入局部最优搜索策略,加快算法收敛速度,同时扩大了解的搜索空间,最后再与模拟退火算法结合,更进一步解决前两种算法容易陷入局部最优解的缺点,融合和后的算法有效地克制了单一算法本身存在的缺陷,也可以把算法本身优势充分发挥出来,大大提高了算法的速度和求解效率,达到了时间性能和优化性能的双收获;
步骤S5.1:蚁群开始寻找路径并计算该代蚁群的适应度;
步骤S5.2:进入遗传算法与模拟退火算法,选择蚁群某些个体进行遗传因子交叉、变异,最后经过退火产生新一代蚁群;
步骤S5.3:判断输出结果是否满足适应度终止条件,若不符合则进行信息素全局更新并返回步骤S5.2继续种群迭代,直到结果符合终止条件就跳出迭代;
步骤S5.4:使用最后一代蚁群对地点、轨道、姿态等最优解进行求解;
步骤S6:智能控制航天器执行任务,使用PID算法调控航天器的RCS、发动机、推力矢量调节器等硬件,使航天器按决策出来的最优轨道和姿态解来执行任务,高效率、高标准地完成任务;
步骤S6.1:ID算法进行比例调节、积分调节、微分调节得到调节结果;
步骤S6.2:把调节结果传输给执行机构,包括航天器的发动机、RCS等;
步骤S6.3:循环进行步骤S6.1到S6.2,直到航天器状态与任务目标一致或误差较小。
3.根据权利要求1所述的一种航天器自主控制系统,其特征在于:步骤S3中,摄像头可用于获取目标星球的遥感图像,使用轻量级全卷积语义分割网络LU-Net处理,将目标星球的地理信息分割并按类别标记。
4.根据权利要求1所述的一种航天器自主控制系统,其特征在于:步骤S3中,激光雷达可获取与目标的距离,对获取数据使用无损卡尔曼滤波算法,得到航天器的轨道信息。
5.根据权利要求1所述的一种航天器自主控制系统,其特征在于:步骤S5中,创建初始蚂蚁种群,设置初始化参数和损失函数,定义路径起始点和目标终点,加载物理仿真模型。
6.根据权利要求1所述的一种航天器自主控制系统,其特征在于:所述步骤S6中,实时感知航天器的环境和自身位置姿态信息,将实时感知数据与决策出的最优解作为PID算法的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148195.9A CN114435631B (zh) | 2022-02-17 | 2022-02-17 | 一种航天器自主控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148195.9A CN114435631B (zh) | 2022-02-17 | 2022-02-17 | 一种航天器自主控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114435631A true CN114435631A (zh) | 2022-05-06 |
CN114435631B CN114435631B (zh) | 2023-08-04 |
Family
ID=81373001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210148195.9A Active CN114435631B (zh) | 2022-02-17 | 2022-02-17 | 一种航天器自主控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114435631B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116594309A (zh) * | 2023-07-19 | 2023-08-15 | 东方空间技术(山东)有限公司 | 一种火箭子级垂直回收控制方法、计算设备及存储介质 |
CN116883686A (zh) * | 2023-07-26 | 2023-10-13 | 东方空间技术(山东)有限公司 | 一种火箭回收子级空中识别与追踪方法、设备及存储介质 |
CN116892866A (zh) * | 2023-07-25 | 2023-10-17 | 东方空间技术(山东)有限公司 | 一种火箭子级回收轨迹规划方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6341249B1 (en) * | 1999-02-11 | 2002-01-22 | Guang Qian Xing | Autonomous unified on-board orbit and attitude control system for satellites |
CN109343341A (zh) * | 2018-11-21 | 2019-02-15 | 北京航天自动控制研究所 | 一种基于深度强化学习的运载火箭垂直回收智能控制方法 |
CN111176807A (zh) * | 2019-12-09 | 2020-05-19 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN112346839A (zh) * | 2020-11-06 | 2021-02-09 | 东方红卫星移动通信有限公司 | 一种基于进化算法的关联任务调度方法 |
US11091280B1 (en) * | 2018-06-05 | 2021-08-17 | United States Of America As Represented By The Administrator Of Nasa | Modelling and analyzing inter-satellite relative motion |
CN113602535A (zh) * | 2021-08-02 | 2021-11-05 | 北京航空航天大学 | 一种微纳卫星在轨自主交会控制的方法及计算机设备 |
-
2022
- 2022-02-17 CN CN202210148195.9A patent/CN114435631B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6341249B1 (en) * | 1999-02-11 | 2002-01-22 | Guang Qian Xing | Autonomous unified on-board orbit and attitude control system for satellites |
US11091280B1 (en) * | 2018-06-05 | 2021-08-17 | United States Of America As Represented By The Administrator Of Nasa | Modelling and analyzing inter-satellite relative motion |
CN109343341A (zh) * | 2018-11-21 | 2019-02-15 | 北京航天自动控制研究所 | 一种基于深度强化学习的运载火箭垂直回收智能控制方法 |
CN111176807A (zh) * | 2019-12-09 | 2020-05-19 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN112346839A (zh) * | 2020-11-06 | 2021-02-09 | 东方红卫星移动通信有限公司 | 一种基于进化算法的关联任务调度方法 |
CN113602535A (zh) * | 2021-08-02 | 2021-11-05 | 北京航空航天大学 | 一种微纳卫星在轨自主交会控制的方法及计算机设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116594309A (zh) * | 2023-07-19 | 2023-08-15 | 东方空间技术(山东)有限公司 | 一种火箭子级垂直回收控制方法、计算设备及存储介质 |
CN116594309B (zh) * | 2023-07-19 | 2023-09-29 | 东方空间技术(山东)有限公司 | 一种火箭子级垂直回收控制方法、计算设备及存储介质 |
CN116892866A (zh) * | 2023-07-25 | 2023-10-17 | 东方空间技术(山东)有限公司 | 一种火箭子级回收轨迹规划方法、设备及存储介质 |
CN116892866B (zh) * | 2023-07-25 | 2024-01-23 | 东方空间技术(山东)有限公司 | 一种火箭子级回收轨迹规划方法、设备及存储介质 |
CN116883686A (zh) * | 2023-07-26 | 2023-10-13 | 东方空间技术(山东)有限公司 | 一种火箭回收子级空中识别与追踪方法、设备及存储介质 |
CN116883686B (zh) * | 2023-07-26 | 2024-03-12 | 东方空间技术(山东)有限公司 | 一种火箭回收子级空中识别与追踪方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114435631B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114435631B (zh) | 一种航天器自主控制系统 | |
Cheng et al. | Real-time optimal control for spacecraft orbit transfer via multiscale deep neural networks | |
Scorsoglio et al. | Image-based deep reinforcement meta-learning for autonomous lunar landing | |
Pontani et al. | Particle swarm optimization of multiple-burn rendezvous trajectories | |
CN110209152B (zh) | 智能水下机器人垂直面路径跟随的深度强化学习控制方法 | |
CN114625151B (zh) | 一种基于强化学习的水下机器人避障路径规划方法 | |
Cao et al. | Toward optimal rendezvous of multiple underwater gliders: 3D path planning with combined sawtooth and spiral motion | |
Song et al. | Guidance and control of autonomous surface underwater vehicles for target tracking in ocean environment by deep reinforcement learning | |
CN112632756A (zh) | 基于太阳敏感器的卫星地影自主预报方法及系统 | |
Zhu et al. | AUV dynamic obstacle avoidance method based on improved PPO algorithm | |
Zang et al. | Standoff tracking control of underwater glider to moving target | |
CN115755598A (zh) | 一种智能航天器集群分布式模型预测路径规划方法 | |
Ali et al. | Stabilizing the dynamic behavior and position control of a remotely operated underwater vehicle | |
CN114792028A (zh) | 基于物理的高性能仿生水下机器人仿真训练平台构建方法 | |
Yazdani et al. | Time and energy efficient trajectory generator for autonomous underwater vehicle docking operations | |
CN114004015A (zh) | 一种基于ROS-Gazebo的无人艇建模与运动仿真方法 | |
De La Torre et al. | Autonomous suspended load operations via trajectory optimization and variational integrators | |
Khoroshylov et al. | Deep learning for space guidance, navigation, and control | |
Yang et al. | A reinforcement learning scheme for active multi-debris removal mission planning with modified upper confidence bound tree search | |
CN113348764B (zh) | 月球飞行器全过程数字仿真系统及方法 | |
CN115289917B (zh) | 基于深度学习的火箭子级着陆实时最优制导方法及系统 | |
Song et al. | Search and tracking strategy of autonomous surface underwater vehicle in oceanic eddies based on deep reinforcement learning | |
Kristiansen | Dynamic synchronization of spacecraft | |
Su et al. | Real-time Guidance for Powered Landing of Reusable Rockets via Deep Reinforcement Learning | |
CN116481532A (zh) | 基于模仿学习的单体无人机自主运动规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |