CN115293031A - 一种基于强化学习的监测望远镜阵列控制方法 - Google Patents

一种基于强化学习的监测望远镜阵列控制方法 Download PDF

Info

Publication number
CN115293031A
CN115293031A CN202210874287.5A CN202210874287A CN115293031A CN 115293031 A CN115293031 A CN 115293031A CN 202210874287 A CN202210874287 A CN 202210874287A CN 115293031 A CN115293031 A CN 115293031A
Authority
CN
China
Prior art keywords
monitoring
space debris
telescope
simulation
space
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.)
Pending
Application number
CN202210874287.5A
Other languages
English (en)
Inventor
贾鹏
贾奇伟
汪梦真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xingyuan Digital Shanxi Transformation Comprehensive Reform Demonstration Zone Technology Co ltd
Taiyuan University of Technology
Original Assignee
Xingyuan Digital Shanxi Transformation Comprehensive Reform Demonstration Zone Technology Co ltd
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xingyuan Digital Shanxi Transformation Comprehensive Reform Demonstration Zone Technology Co ltd, Taiyuan University of Technology filed Critical Xingyuan Digital Shanxi Transformation Comprehensive Reform Demonstration Zone Technology Co ltd
Priority to CN202210874287.5A priority Critical patent/CN115293031A/zh
Publication of CN115293031A publication Critical patent/CN115293031A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及空间碎片检测领域。一种基于强化学习的监测望远镜阵列控制方法，对空间碎片及望远镜监测阵列系统建模，对空间碎片的目标轨道数据的精度测量分析，构建基于深度强化学习的智能调度策略，本发明实现空间碎片检测网数字宇宙的搭建，采用蒙特卡洛采样方法生成模拟真实世界分布的空间碎片数据；在此基础上，建立空间轨道数据的精度测量分析方法，研究监测设备参数对空间碎片测量精度的影响；最终，采用强化学习技术，建立空间碎片监测网智能控制方法，实现对空间碎片态势的快速感知。

Description

一种基于强化学习的监测望远镜阵列控制方法
技术领域
本发明涉及空间碎片检测领域。
背景技术
人类太空活动所产生的各种无功能人造天体统称为空间碎片。据统计，自开始探索太空以来，各种任务形成的可跟踪空间碎片数量已超过39000个。目前仍在轨的碎片数量超过16000个，这些空间碎片给各类航天活动带来了巨大威胁。为了保障航天活动的安全，空间碎片监测不可或缺。
经过多年建设，我国针对空间碎片监测已建立了包括光电成像系统、雷达探测系统及激光遥测系统在内的大科学空间观测装置体系。该体系通过长期运行，积累了大量空间碎片监测数据，实现了常规目标编目。但是，近几年世界各国官方及民间航天任务规模及频次发展迅猛，空间碎片数目急剧增加，同时空间碎片监测需求也在不断提升。以现有设备为基础，发挥观测装置体系的最大效能，成为空间碎片监测研究的热点。由于空间碎片并不发光，因此在当前装置体系下，监测系统或者主动地向空间碎片发射电磁波并接收回波(雷达探测系统或激光遥测系统)，或者被动地接收空间碎片的反射光(光电成像系统)，最终通过处理空间碎片的回波或反射光以获取信息。受监测条件和设备性能等因素影响，前述各种信息获取方式都有一定局限性，需要多种手段联合以全方位刻画空间碎片特性。此外，空间碎片定轨和编目任务也需要获取同一空间碎片目标多个弧段的监测数据，因而多台不同地理位置的设备联测是空间碎片监测领域发展的大势所趋。综上，对空间碎片而言，通过联合各类设备进而实现空间碎片监测网络是空间碎片监测研究的必然发展方向。从实用角度考虑，空间碎片监测网络要既能常规监测已有空间碎片以维护目录，同时也要能及时发现新目标或根据需求监测重点目标。当空间碎片数目较少且仅关注体积较大或亮度较高的目标时，传统的自动时序任务调度算法就能实现空间碎片监测网络的任务调度。但是，迅速增长的空间碎片数目和对航天任务安全性不断提升的要求，使得空间碎片网的监测能力有了新的提升方向：空间碎片监测开始向海量小微目标监测和关键目标快速监测方向发展。当监测目标为尺度更小、轨道更高的空间碎片时，需要监测的目标数量将大大增加；同时，不同设备监测能力的差异将更加显著(以光电成像系统为例，小尺寸目标仅能被大口径设备或处于较好台址的设备监测到，位于其他台址的小口径设备将无法获取这些目标的有效数据)。
由于传统调度方法并不考虑监测设备的实际观测能力和观测条件等因素，而只将网络内的监测设备视为具有一定理论可见度的静态单元；同时，传统调度方法不考虑不同类别空间碎片数据的冗余性。因此，在这两个因素的共同作用下，一方面可能导致经过调度的设备无法获取目标有效数据，降低了空间碎片监测网络的能力；另一方面，监测网络可能获得大量非必要的冗余数据，浪费了网络的监测资源。因此，迫切需要在空间碎片数据冗余性和碎片监测设备数据获取能力研究基础上，实现空间碎片监测网络的新型调度方法。
发明内容
本发明所要解决的技术问题是：可能出现的检测设备无法获取目标有效数据和监测网络存在大量非必要的冗余数据的问题。
本发明所采用的技术方案是：一种基于强化学习的监测望远镜阵列控制方法，对空间碎片及望远镜监测阵列系统建模，对空间碎片的目标轨道数据的精度测量分析，构建基于深度强化学习的智能调度策略，具体按如下的步骤进行
步骤一、基于蒙特卡洛方法的空间碎片的目标轨道监测模拟数据生成空间碎片监测数字宇宙，在现有空间碎片TLE轨道报数据的基础上，用python语言中的spg4库返回模拟环境中空间碎片的运行轨迹，将监测空间碎片的监测设备作为仿真望远镜，通过python语言中的ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜的参数，利用python语言中的spg4库返回对模拟环境中空间碎片的运行轨迹，通过python语言中的ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜的参数构建数字宇宙，即数字宇宙用python语言中的spg4库和ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜对应的空间碎片的运行轨迹和仿真望远镜的参数；
步骤二、不同空间碎片在不同监测设备的监测精度，通过仿真望远镜执行监测目标空间碎片在目标检测时间返回的空间碎片的运行轨迹与最新空间碎片TLE轨道报数据进行误差对比，记录同一空间碎片在不同监测设备下的监测精度，并将监测设备的口径c、视场F参数作为输入，监测精度作为标签，通过python语言中的sklearn库中的回归算法拟合监测设备参数与空间碎片测量精度的对应关系；
步骤三、结合步骤一中构建的数字宇宙和步骤二中所述的不同空间碎片在不同监测设备的监测精度，构建基于深度强化学习的智能调度策略，将步骤一中的数字宇宙作为训练环境，将已探索的空间碎片的数量N作为探索效果，单个可监测空间目标监测时间间隔为Mi，将所有可监测空间目标的监测时间间隔
Figure BDA0003758857710000031
作为系统的监测效果；以模拟望远镜当前的监测效果、探索效果作为强化学习的状态空间；以不同模拟望远镜实现监测或探索任务的排列组合作为强化学习的动作空间；根据监测或探索任务的侧重不同，将监测效果和探索效果乘以不同的系数作为强化学习的奖励R，即
Figure BDA0003758857710000032
其中α，β代表本次任务探索和监测的比重；采用多层感知器作为强化学习的策略网络拟合状态-动作对的行为值Q值进行策略评估，多层感知器由三个全连接层组成，状态空间的维度作为输入，动作空间的维度作为输出；在一定的时间间隔内，用另一个同样的策略网络对当前策略进行改进，由该网络进行动作选择；经过不断迭代学习，完成了基于强化学习的空间碎片监测阵列控制方法，根据当前整个空间监测阵列的探索和监测效果，自主选择在随后时间段中执行监测还是探索任务；通过提前设定监测和探索奖励系数，选择倾向执行监测任务，在单位时间内满足对已知空间目标的监测要求的同时探索到更多空间碎片。
步骤一中，所述所述用python语言中的的spg4库返回模拟环境中空间碎片的运行轨迹是指，利用python语言中的的spg4库建立空间碎片在天球坐标系的位置、亮度、星地距离与时间的对应关系，将这种对应关系作为空间碎片的分布情况模型，返回目标空间碎片在目标检测时间对应的位置、亮度、星地距离。
步骤一中，所述通过python语言中的的ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜的参数是指，通过对实际使用的仿真望远镜指向目标空间碎片的方位角θ、高度角Ф、口径c、视场F参数，建立天球坐标系中仿真望远镜的方位角az、高度角alt、尺度scale、星地距离h与时间的对应关系；当同时满足az与θ的偏差在仿真望远镜视场F内、alt与Ф的偏差在仿真望远镜视场F内、亮度值bright和仿真望远镜口径c的乘积小于设定的阈值threshold时，即同时满足|az-θ|＜F、|alt-φ|＜F、scale÷h×c＜threshold时，该目标空间碎片可以被仿真望远镜监测到，亮度值bright＝scale/h。
通过仿真望远镜执行监测目标空间碎片在目标检测时间返回的空间碎片的运行轨迹与最新空间碎片TLE轨道报数据进行误差对比，其步骤是：一、在监测设备执行监测任务时获取附近所有空间碎片的TLE轨道报数据，利用获取的TLE轨道报数据对每一颗空间碎片进行锥形搜索，记录监测设备监测空间碎片时每一个时间步长的高度角、方位角的测量数据；二、查看对象历史上发布的TLE，使用过去最新的TLE作为初始猜测；并通过检查对象TLE轨道报的历史演变，为每个空间碎片的监测生成边界条件，输入边界条件和高度角、方位角的测量数据测量值，对卫星轨道进行拟合，输出已确定空间碎片及其通过仿真望远镜执行监测目标空间碎片在目标检测时间返回的空间碎片的运行轨迹与最新空间碎片TLE轨道报数据之间误差。
所述空间碎片包括太阳系内的所有星体及太阳系系外观察到的所有星体。
本发明的有益效果是：本发明实现空间碎片检测网数字宇宙的搭建，采用蒙特卡洛采样方法生成模拟真实世界分布的空间碎片数据；在此基础上，建立空间轨道数据的精度测量分析方法，研究监测设备参数对空间碎片测量精度的影响；最终，采用强化学习技术，建立空间碎片监测网智能控制方法，实现对空间碎片态势的快速感知。
具体实施方式
一种基于强化学习的监测望远镜阵列控制方法，对空间碎片及望远镜监测阵列系统建模，对空间碎片的目标轨道数据的精度测量分析，构建基于深度强化学习的智能调度策略，具体按如下的步骤进行
步骤一、基于蒙特卡洛方法的空间碎片的目标轨道监测模拟数据生成空间碎片监测数字宇宙，在现有空间碎片TLE轨道报数据的基础上，用python语言中的spg4库返回模拟环境中空间碎片的运行轨迹，将监测空间碎片的监测设备作为仿真望远镜，通过python语言中的ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜的参数，利用所述用python语言中的spg4库返回对模拟环境中空间碎片的运行轨迹、所述通过python语言中的ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜的参数构建数字宇宙，即数字宇宙用python语言中的spg4库和ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜对应的空间碎片的运行轨迹和仿真望远镜的参数；
注册用户可以在space-track.org下载所有公布的TLE轨道报数据，我们采用蒙特卡洛采样方法，在上万条数据中挑选500条作为模拟环境中的空间碎片，用python的spg4库返回对模拟环境中空间碎片的运行轨迹。在python的ephem库中，输入观测者的经纬度，可以得到目标相对于观测者的方位角和高度角。我们在北京、波士顿、伦敦、悉尼、南非开普敦设置五个观测位置，并添加望远镜口径、视场的参数限制望远镜的观测范围和最低观测亮度要求，编写算法要求只有空间目标的位置在观测望远镜的限定范围内且亮度达到望远镜的最低观测亮度要求方可进行观测。用户可根据自己的需求在环境中增添空间目标，或者增删望远镜的数目，移动望远镜的位置等操作。
步骤二、不同空间碎片在不同监测设备的监测精度，通过仿真望远镜执行监测目标空间碎片在目标检测时间返回的空间碎片的运行轨迹与最新空间碎片TLE轨道报数据进行误差对比，记录同一空间碎片在不同监测设备下的监测精度，并将监测设备的口径c、视场F参数作为输入，监测精度作为标签，通过python语言中的sklearn库中的回归算法拟合监测设备参数与空间碎片测量精度的对应关系；目前主要研究望远镜视场和口径对监测效果的影响，视场的设置为5度，10度，15度，20度四种，口径设置范围在1米到5米之间。记录同一空间碎片在不同监测设备下的监测精度，并将监测设备口径c、视场f参数作为输入，监测精度作为标签，通过python的sklearn库中的回归算法拟合监测设备参数对空间碎片测量精度的影响。
步骤三、结合步骤一中构建的数字宇宙和步骤二中所述的不同空间碎片在不同监测设备的监测精度，构建基于深度强化学习的智能调度策略，将步骤一中的数字宇宙作为训练环境，将已探索的空间碎片的数量N作为探索效果，单个可监测空间目标监测时间间隔为Mi，将所有可监测空间目标的监测时间间隔
Figure BDA0003758857710000051
作为系统的监测效果；以模拟望远镜当前的监测效果、探索效果作为强化学习的状态空间；以不同模拟望远镜实现监测或探索任务的排列组合作为强化学习的动作空间；根据监测或探索任务的侧重不同，将监测效果和探索效果乘以不同的系数作为强化学习的奖励R，即
Figure BDA0003758857710000052
其中α，β代表本次任务探索和监测的比重；采用多层感知器作为强化学习的策略网络拟合状态-动作对的行为值Q值进行策略评估，多层感知器由三个全连接层组成，状态空间的维度作为输入，动作空间的维度作为输出；在一定的时间间隔内，用另一个同样的策略网络对当前策略进行改进，由该网络进行动作选择；经过不断迭代学习，完成了基于强化学习的空间碎片监测阵列控制方法，根据当前整个空间监测阵列的探索和监测效果，自主选择在随后时间段中执行监测还是探索任务；通过提前设定监测和探索奖励系数，选择倾向执行监测任务，在单位时间内满足对已知空间目标的监测要求的同时探索到更多空间碎片。
将步骤1构建的数字宇宙作为训练环境作为训练环境；将已探索空间目标的数量N作为系统的探索效果，如果模拟环境的空间目标有500颗，N最大可达到500；单个可监测空间目标监测时间间隔为Mi，Mi的大小与环境的模拟时长有关，模拟时长越长，Mi的值将越大，将所有可监测空间目标的监测时间间隔
Figure BDA0003758857710000061
作为系统的监测效果；以望远镜当前的监测效果、探索效果作为强化学习的状态空间，状态空间的维度为N×Mi；以不同望远镜实现监测或探索任务的排列组合作为强化学习的动作空间，动作空间的维度为2n，其中n为望远镜的数目；根据监测或探索任务的侧重不同，将监测效果和探索效果乘以不同的系数作为强化学习的奖励，即
Figure BDA0003758857710000062
其中α，β代表本次任务探索和监测的比重，可按需求自行调节，我们设置α＝20，β＝1；采用多层感知器作为强化学习的策略网络拟合状态-动作对的行为值进行策略评估，多层感知器由三个全连接层组成，状态空间的维度作为输入，动作空间的维度作为输出；在一定的时间间隔内，用另一个同样的策略网络对当前策略进行改进，由该网络进行动作选择；经过不断迭代学习，智能体学会根据当前不同探索效果和监测效果选择执行何种任务，远超人类经验进行任务选择获得的奖励值，在500个空间目标，5个望远镜，为期三天的模拟中，智能体平均能够得到2500奖励值，超过人类经验进行任务选择获得的奖励值，并且全自动完成，实现了司天智脑调度算法。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于强化学习的监测望远镜阵列控制方法，其特征在于：对空间碎片及望远镜监测阵列系统建模，对空间碎片的目标轨道数据的精度测量分析，构建基于深度强化学习的智能调度策略，具体按如下的步骤进行
步骤一、基于蒙特卡洛方法的空间碎片的目标轨道监测模拟数据生成空间碎片监测数字宇宙，在现有空间碎片TLE轨道报数据的基础上，用python语言中的spg4库返回模拟环境中空间碎片的运行轨迹，将监测空间碎片的监测设备作为仿真望远镜，通过python语言中的ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜的参数，利用python语言中的spg4库返回对模拟环境中空间碎片的运行轨迹，通过python语言中的ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜的参数构建数字宇宙，即数字宇宙用python语言中的spg4库和ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜对应的空间碎片的运行轨迹和仿真望远镜的参数；
步骤二、不同空间碎片在不同监测设备的监测精度，通过仿真望远镜执行监测目标空间碎片在目标检测时间返回的空间碎片的运行轨迹与最新空间碎片TLE轨道报数据进行误差对比，记录同一空间碎片在不同监测设备下的监测精度，并将监测设备的口径c、视场F参数作为输入，监测精度作为标签，通过python语言中的sklearn库中的回归算法拟合监测设备参数与空间碎片测量精度的对应关系；
步骤三、结合步骤一中构建的数字宇宙和步骤二中所述的不同空间碎片在不同监测设备的监测精度，构建基于深度强化学习的智能调度策略，将步骤一中的数字宇宙作为训练环境，将已探索的空间碎片的数量N作为探索效果，单个可监测空间目标监测时间间隔为Mi，将所有可监测空间目标的监测时间间隔
Figure FDA0003758857700000011
作为系统的监测效果；以模拟望远镜当前的监测效果、探索效果作为强化学习的状态空间；以不同模拟望远镜实现监测或探索任务的排列组合作为强化学习的动作空间；根据监测或探索任务的侧重不同，将监测效果和探索效果乘以不同的系数作为强化学习的奖励R，即
Figure FDA0003758857700000012
其中α，β代表本次任务探索和监测的比重；采用多层感知器作为强化学习的策略网络拟合状态-动作对的行为值Q值进行策略评估，多层感知器由三个全连接层组成，状态空间的维度作为输入，动作空间的维度作为输出；在一定的时间间隔内，用另一个同样的策略网络对当前策略进行改进，由该网络进行动作选择；经过不断迭代学习，完成了基于强化学习的空间碎片监测阵列控制方法，根据当前整个空间监测阵列的探索和监测效果，自主选择在随后时间段中执行监测还是探索任务；通过提前设定监测和探索奖励系数，选择倾向执行监测任务，在单位时间内满足对已知空间目标的监测要求的同时探索到更多空间碎片。
2.根据权利要求1所述的一种基于强化学习的监测望远镜阵列控制方法，其特征在于：步骤一中，所述所述用python语言中的的spg4库返回模拟环境中空间碎片的运行轨迹是指，利用python语言中的的spg4库建立空间碎片在天球坐标系的位置、亮度、星地距离与时间的对应关系，将这种对应关系作为空间碎片的分布情况模型，返回目标空间碎片在目标检测时间对应的位置、亮度、星地距离。
3.根据权利要求1所述的一种基于强化学习的监测望远镜阵列控制方法，其特征在于：步骤一中，所述通过python语言中的的ephem库返回目标空间碎片在目标检测时间使用的仿真望远镜的参数是指，通过对实际使用的仿真望远镜指向目标空间碎片的方位角θ、高度角Ф、口径c、视场F参数，建立天球坐标系中仿真望远镜的方位角az、高度角alt、尺度scale、星地距离h与时间的对应关系；当同时满足az与θ的偏差在仿真望远镜视场F内、alt与Ф的偏差在仿真望远镜视场F内、亮度值bright和仿真望远镜口径c的乘积小于设定的阈值threshold时，即同时满足|az-θ|＜F、|alt-φ|＜F、scale÷h×c＜threshold时，该目标空间碎片可以被仿真望远镜监测到，亮度值bright＝scale/h。
4.根据权利要求1所述的一种基于强化学习的监测望远镜阵列控制方法，其特征在于：通过仿真望远镜执行监测目标空间碎片在目标检测时间返回的空间碎片的运行轨迹与最新空间碎片TLE轨道报数据进行误差对比，其步骤是：一、在监测设备执行监测任务时获取附近所有空间碎片的TLE轨道报数据，利用获取的TLE轨道报数据对每一颗空间碎片进行锥形搜索，记录监测设备监测空间碎片时每一个时间步长的高度角、方位角的测量数据；二、查看对象历史上发布的TLE，使用过去最新的TLE作为初始猜测；并通过检查对象TLE轨道报的历史演变，为每个空间碎片的监测生成边界条件，输入边界条件和高度角、方位角的测量数据测量值，对卫星轨道进行拟合，输出已确定空间碎片及其通过仿真望远镜执行监测目标空间碎片在目标检测时间返回的空间碎片的运行轨迹与最新空间碎片TLE轨道报数据之间误差。
5.根据权利要求1所述的一种基于强化学习的监测望远镜阵列控制方法，其特征在于：所述空间碎片包括太阳系内的所有星体及太阳系系外观察到的所有星体。
CN202210874287.5A 2022-07-22 2022-07-22 一种基于强化学习的监测望远镜阵列控制方法 Pending CN115293031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210874287.5A CN115293031A (zh) 2022-07-22 2022-07-22 一种基于强化学习的监测望远镜阵列控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210874287.5A CN115293031A (zh) 2022-07-22 2022-07-22 一种基于强化学习的监测望远镜阵列控制方法

Publications (1)

Publication Number Publication Date
CN115293031A true CN115293031A (zh) 2022-11-04

Family

ID=83823889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210874287.5A Pending CN115293031A (zh) 2022-07-22 2022-07-22 一种基于强化学习的监测望远镜阵列控制方法

Country Status (1)

Country Link
CN (1) CN115293031A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879831A (zh) * 2023-02-27 2023-03-31 中国人民解放军63921部队 一种定轨监测系统的任务效能评估方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879831A (zh) * 2023-02-27 2023-03-31 中国人民解放军63921部队 一种定轨监测系统的任务效能评估方法和系统

Similar Documents

Publication Publication Date Title
US9067693B2 (en) Monitoring objects orbiting earth using satellite-based telescopes
Beierle et al. Variable-magnification optical stimulator for training and validation of spaceborne vision-based navigation
Kunimoto et al. Predicting the exoplanet yield of the TESS Prime and extended missions through years 1–7
Vereš et al. High-fidelity simulations of the near-earth object search performance of the large synoptic survey telescope
CN115293031A (zh) 一种基于强化学习的监测望远镜阵列控制方法
Jaunzemis et al. Sensor tasking for spacecraft custody maintenance and anomaly detection using evidential reasoning
CN112710995B (zh) 一种空间碎片测距数据仿真方法
Jia et al. Observation strategy optimization for distributed telescope arrays with deep reinforcement learning
Steindl Developing the detectability, identifiability, and trackability analysis for the space sustainability rating
De Vittori et al. Numerically efficient low-thrust collision avoidance maneuver design in GEO regime with equinoctial orbital elements
US20220306322A1 (en) Method for determining the capability of a sensor contained in a satellite to access a target region, and satellite accessing system
Pegher et al. Optimizing coverage and revisit time in sparse military satellite constellations: A comparison of traditional approaches and genetic algorithms
Coder et al. Autonomy Architecture for a Raven-Class Telescope with Space Situational Awareness Applications
Blacketer et al. Attitude characterisation of space objects using optical light curves
Olivier A Simulation and modeling framework for space situational awareness
Harris et al. Metaheuristic optimization of a space sensor network distribution
Woods et al. High-level autonomy and image prioritisation for long distance Mars rovers
Poropudas et al. Influence diagrams in analysis of discrete event simulation data
Bennett et al. Progress in a new conjunction and threat warning service for Space Situational Awareness
Blanks Operational Scheduling of Deep Space Radars for Resident Space Object Surveillance
Olivier et al. High-performance computer modeling of the Cosmos-Iridium collision
Yeager et al. Holistic system design evaluation through expanded MATE
Johnson Limitations of Initial Orbit Determination Methods for Low Earth Orbit CubeSats with Short Arc Orbital Passes
Peterson et al. Global positioning system performance optimization using a normalized function on configuration classes
Tapia A Conceptual Mission Engineering Framework for Evaluating the Performance of Precipitation Observing Missions

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