CN116772662B - 一种火箭回收子级着陆腿控制方法、计算设备及存储介质 - Google Patents
一种火箭回收子级着陆腿控制方法、计算设备及存储介质 Download PDFInfo
- Publication number
- CN116772662B CN116772662B CN202310872738.6A CN202310872738A CN116772662B CN 116772662 B CN116772662 B CN 116772662B CN 202310872738 A CN202310872738 A CN 202310872738A CN 116772662 B CN116772662 B CN 116772662B
- Authority
- CN
- China
- Prior art keywords
- landing leg
- layer
- rocket
- state
- pooling
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011084 recovery Methods 0.000 title claims abstract description 33
- 230000008447 perception Effects 0.000 claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000011176 pooling Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种火箭回收子级着陆腿控制方法、计算设备及存储介质，属于火箭回收控制技术领域，包括：采集火箭子级回收过程中的环境数据和状态信息，对采集的数据进行预处理；建立基于卷积神经网络的环境感知模型；基于环境感知模型，对火箭子级状态进行预测；采用基于全局优化的散列逼近算法对着陆腿的控制参数进行优化；根据环境感知情况、火箭子级预测状态和着陆腿参数优化的结果，进行控制决策。本发明通过结合深度学习和全局优化算法的优势，提供了更高效、精确和鲁棒性高的着陆腿控制方案，能够显著提升着陆精度和稳定性。
Description
技术领域
本发明涉及火箭回收控制技术领域，特别涉及一种火箭回收子级着陆腿控制方法、计算设备及存储介质。
背景技术
随着航天技术的不断发展，火箭回收成为提高航天器重复使用性和降低成本的关键技术之一。在火箭回收过程中，子级着陆腿的控制是至关重要的环节，直接影响着火箭的着陆精度和稳定性。
PID控制方法、遗传算法、粒子群算法等传统算法尽管在某些条件下可以实现有效控制，但在处理高维度、非线性和多模态的问题时往往存在局限性，可能陷入局部最优解，导致着陆腿控制精度不高，并且其计算复杂度较高，对计算资源的需求较大。
有鉴于此，实有必要提供一种新的技术方案以解决上述问题。
发明内容
为解决上述技术问题，本申请提供一种火箭回收子级着陆腿控制方法、计算设备及存储介质，通过结合深度学习和全局优化算法的优势，提供了更高效、精确和鲁棒性高的着陆腿控制方案，能够显著提升着陆精度和稳定性。
一种火箭回收子级着陆腿控制方法，包括：
采集火箭子级回收过程中的环境数据和状态信息，对采集的数据进行预处理；
建立基于卷积神经网络的环境感知模型；
基于环境感知模型，对火箭子级状态进行预测；
采用基于全局优化的散列逼近算法对着陆腿的控制参数进行优化；
根据环境感知情况、火箭子级预测状态和着陆腿参数优化的结果，进行控制决策。
优选的，所述基于环境感知模型，对火箭子级状态进行预测包括：
输入传感器数据和着陆腿状态；
定义环境感知模型中的输入图像尺寸、输入图像通道数、卷积层数、激活函数和池化类型；
对卷积核大小、卷积步幅、池化核大小和池化步幅进行初始化；
基于环境感知模型进行卷积操作生成最终的预测结果；
其中，火箭子级状态包括火箭子级的位置、火箭子级的速度和火箭子级的姿态。
优选的，所述基于环境感知模型进行卷积操作生成最终的预测结果包括：利用卷积层和池化层提取图像特征，利用展平层将图像特征和着陆腿状态特征融合，利用全连接层和输出层用于生成最终的预测结果。
优选的，所述环境感知模型包括：输入层、卷积层、池化层、展平层、着陆腿状态层、全连接层和输出层；所述输入层用于将输入传感器数据重新调整为图像；所述卷积层用于对每一层进行卷积操作；所述池化层用于对每一层进行池化操作；所述展平层用于将最后一层的池化结果展平为向量；所述着陆腿状态层用于将着陆腿状态通过全连接层进行变换，得到着陆腿状态特征；所述合并层用于将合并着陆腿状态特征表示和图像特征表示，得到融合后的特征向量：所述全连接层用于全连接运算；所述输出层用于输出预测。
优选的，所述采用基于全局优化的散列逼近算法对着陆腿的控制参数进行优化包括：
初始化初始温度、终止温度、温度下降率以及着陆腿的初始控制参数；
进行邻域搜索，根据当前解生成新的着陆腿控制参数组合；
输入当前的环境信息和姿态数据，使用环境感知模型进行环境感知，提取关键的环境特征，利用环境感知模型进行火箭状态预测，得到火箭子级状态数据；
根据能量差和温度并依据接受准则来决定是否接受新解；
满足终止条件后终止迭代过程，并返回最优解作为火箭子级回收过程中的着陆腿输出控制结果。
优选的，所述能量差计算方法为：
ΔE = E(P_new, CNN_output) - E(P_current, CNN_output)；
式中，ΔE为能量差，E表示能量函数，P_new为邻域搜索解，CNN_output为环境感知模型的预测结果，P_current为着陆腿的初始控制参数。
优选的，所述建立基于卷积神经网络的环境感知模型后还包括：对环境感知模型进行训练，使得其能够从传感器数据中提取关键的环境特征，并实时更新环境感知结果；所述环境特征包括障碍物和地形。
优选的，所述根据环境感知情况、火箭预测状态和着陆腿参数优化的结果，进行控制决策包括：
根据预定的控制策略和目标，生成控制指令；
将生成的指令发送至控制系统并实施到着陆腿的执行器上；
实时监测着陆腿的状态和环境变化，并根据需要对着陆腿进行调整和修正。
根据本申请的另一方面，还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行所述的火箭回收子级着陆腿控制方法。
根据本申请的另一方面，还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行所述的火箭回收子级着陆腿控制方法。
与现有技术相比，本申请至少具有以下有益效果：
本发明通过结合深度学习和全局优化算法的优势，提供了更高效、精确和鲁棒性高的着陆腿控制方案，能够显著提升着陆精度和稳定性。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为本发明火箭回收子级着陆腿控制方法的整体流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
一种火箭回收子级着陆腿控制方法，主要技术方案采用了数据预处理、基于CNN的环境感知、火箭状态预测、SAA参数优化和控制决策和执行。
其中，数据预处理包括：约束箭载感知端，对回收子级上惯性测量单元(IMU)、摄像装置、无线传感网络、传统传感器的相关数据进行统计，采集火箭子级回收过程中的环境数据和状态信息。对采集的数据进行去噪、滤波和数据对齐等数据预处理，以确保后续处理的准确性和可靠性。
基于CNN的环境感知包括：建立基于卷积神经网络(CNN)的环境感知模型。通过训练该模型，使其能够从传感器数据中提取障碍物、地形等关键的环境特征，并实时更新环境感知结果。这些环境感知结果将作为后续控制决策的重要输入。
火箭状态预测包括：基于CNN模型，进行火箭状态的预测。通过输入当前的传感器数据，CNN模型可以预测火箭的位置、速度、姿态等关键状态参数。这些预测结果将为后续的控制决策提供准确的状态信息。
SAA参数优化包括：采用基于全局优化的散列逼近算法(SAA)对着陆腿的控制参数进行优化。通过定义适应度函数，并结合环境感知和状态预测的结果，使用SAA算法进行参数搜索和优化过程。该过程将迭代生成和调整控制参数的组合，逐步逼近最优解。
控制决策和执行包括：根据环境感知、状态预测和参数优化的结果，进行控制决策。根据预定的控制策略和目标，生成控制指令，并实施到着陆腿的执行器上。同时，实时监测着陆腿的状态和环境变化，并根据需要进行调整和修正。
如图1所示，一种火箭回收子级着陆腿控制方法，包括：
步骤S1、采集火箭子级回收过程中的环境数据和状态信息，对采集的数据进行预处理。
步骤S2、建立基于卷积神经网络的环境感知模型。
此外，在建立基于卷积神经网络的环境感知模型后，还需要对环境感知模型进行训练，使得其能够从传感器数据中提取关键的环境特征，并实时更新环境感知结果；所述环境特征包括障碍物和地形。
通过训练该模型，使其能够从传感器数据中提取关键的环境特征，如障碍物、地形等，并实时更新环境感知结果。这些环境感知结果将作为后续控制决策的重要输入。
步骤S3、基于环境感知模型，对火箭子级状态进行预测。
具体包括：
步骤S31、输入传感器数据和着陆腿状态。
步骤S32、定义环境感知模型中的输入图像尺寸、输入图像通道数、卷积层数、激活函数和池化类型。
步骤S32、对卷积核大小、卷积步幅、池化核大小和池化步幅进行初始化。
步骤S32、基于环境感知模型进行卷积操作生成最终的预测结果。
其中，环境感知模型采用卷积神经网络模型（CNN），包括输入层、卷积层、池化层、展平层、着陆腿状态层、全连接层和输出层；所述输入层用于将输入传感器数据重新调整为图像；所述卷积层用于对每一层进行卷积操作；所述池化层用于对每一层进行池化操作；所述展平层用于将最后一层的池化结果展平为向量；所述着陆腿状态层用于将着陆腿状态通过全连接层进行变换，得到着陆腿状态特征；所述合并层用于将合并着陆腿状态特征表示和图像特征表示，得到融合后的特征向量：所述全连接层用于全连接运算；所述输出层用于输出预测。
具体的，输入参数包括：
感知端数据：设为，其中 n 表示感知端数据的维度。
CNN模型的超参数：
卷积核大小：设为 ,表示卷积核的大小。
卷积步幅：设为，表示卷积操作的步幅。
池化核大小：设为，表示池化操作的核大小。
池化步幅：设为，表示池化操作的步幅。
图像尺寸：设为 h, w ∈ N，表示图像的高度和宽度。
图像通道数：设为 ，表示图像的通道数，例如RGB图像的通道数为3。
卷积层数：设为 ，表示CNN模型的卷积层数。
激活函数：设为 f_act，表示在CNN模型中使用的激活函数。
池化类型：设为 pooling_type，表示在CNN模型中使用的池化类型，如最大池化或平均池化。
训练批次大小：设为 batch_size ∈N，表示每个训练批次中的样本数量。
训练迭代次数：设为 num_iterations ∈N，表示训练过程中的迭代次数。
学习率：设为 learning_rate ∈R，表示用于控制参数更新速度的学习率。
其中,R表示包含所有实数的集合,N表示自然数集。
具体计算：
输入传感器数据：,
其中 x表示传感器数据，n 表示传感器数据的维度。
着陆腿状态：l∈ {0, 1}，其中 l=0 表示着陆腿收起，l=1 表示着陆腿展开。
定义模型结构：
输入图像尺寸：h, w ∈N，表示图像的高度和宽度。
输入图像通道数：c ∈ N，表示图像的通道数。
卷积层数：l ∈ N，表示CNN模型的卷积层数。
激活函数：f_act，表示在CNN模型中使用的激活函数。
池化类型：pooling_type，表示在CNN模型中使用的池化类型。
初始化参数：
卷积核大小：k ∈N，表示卷积核的大小。
卷积步幅：s ∈N，表示卷积操作的步幅。
池化核大小：p ∈N，表示池化操作的核大小。
池化步幅：q ∈N，表示池化操作的步幅。
前向传播：
输入层：将输入传感器数据 x 重新调整为形状为 (h, w, c) 的图像。
卷积层：对于每一层 i ∈ {1, 2, ..., l}，进行卷积操作。
卷积运算：z_i = Convolution(x, W_i) + b_i，其中 W_i 表示第 i 层的卷积核权重，b_i 表示第 i 层的偏差项。
激活函数：a_i = f_act(z_i)，将卷积输出 z_i 通过激活函数 f_act 进行非线性变换。
池化层：对于每一层 i ∈ {1, 2, ..., l}，进行池化操作。
池化运算：y_i = Pooling(a_i, pooling_type, p, q)，其中 pooling_type 表示池化类型，p 和 q 分别表示池化核大小和步幅。
展平层：将最后一层的池化结果展平为向量，表示为 v ∈ ℝ^d，其中 d 表示展平后的向量维度。
着陆腿状态层：将着陆腿状态 l 通过全连接层进行变换，得到着陆腿状态特征表示 f ∈ ℝ^m，其中 m 表示特征维度。
合并层：将合并着陆腿状态特征表示和图像特征表示，得到融合后的特征向量：
融合特征向量：z = Concatenate(v, f)，其中 z ∈ 表示融合后的特征向量。
全连接层：全连接运算：h = Activation(Wz + bz)，其中 W ∈,表示全连接层的权重矩阵，b ∈/>表示全连接层的偏差项，o 表示输出维度。
激活函数：h = f_act(h)，将全连接层的输出 h 通过激活函数 f_act 进行非线性变换。
输出层：输出预测：y = Activation(Wh + bh)，其中W表示输出层的权重矩阵， W∈ ,b表示输出层的偏差项，b ∈/>,c 表示输出的类别数。
激活函数：y = softmax(y)，将输出进行softmax函数归一化，得到预测结果。
步骤S4、采用基于全局优化的散列逼近算法对着陆腿的控制参数进行优化。
具体包括：
初始化初始温度、终止温度、温度下降率以及着陆腿的初始控制参数。
进行邻域搜索，根据当前解生成新的着陆腿控制参数组合。
输入当前的环境信息和姿态数据，使用环境感知模型进行环境感知，提取关键的环境特征，利用环境感知模型进行火箭状态预测，得到火箭子级状态数据。
根据能量差和温度并依据接受准则来决定是否接受新解。
满足终止条件后终止迭代过程，并返回最优解作为火箭子级回收过程中的着陆腿输出控制结果。
作为本发明的一个实施例，具体采用以下方法：
输入参数：
初始温度 T0、终止温度 Tf、温度下降率 α、当前解的着陆腿控制参数 P_current、邻域搜索的步长或变化范围 ΔP、能量差的计算函数 E(P, CNN_output)、接受新解的概率计算函数 P_accept(ΔE, T)、终止条件的判断方法或迭代次数 N。其中，CNN_output 表示通过CNN模型预测得到的火箭状态信息，如位置、速度、姿态等火箭状态信息。
具体计算步骤如下：
初始化参数：
初始解：P_current，包括着陆腿的控制参数，如长度、角度等；
初始温度：T = T0；
终止温度：Tf；
温度下降率：α；
迭代优化过程：
a. 生成新的解：
邻域搜索：P_new = GenerateNeighbour(P_current)，根据当前解生成新的着陆腿控制参数组合；
b. 环境感知和状态预测：
输入当前的环境信息和姿态数据；
使用CNN模型进行环境感知，提取关键的环境特征；
使用CNN模型进行火箭状态预测，得到位置、速度、姿态等关键状态参数；
c. 计算能量差：
能量差：ΔE = E(P_new, CNN_output) - E(P_current, CNN_output)，其中 E表示能量函数，CNN_output 表示CNN模型的预测结果；
d. 接受准则：
计算接受概率：P_accept(ΔE, T) = exp(-ΔE / (k * T))，其中 k 是玻尔兹曼常数；
生成随机数：r = random()；
如果 r<P_accept(ΔE, T)，则接受新解 P_new，否则保持当前解 P_current 不变；
e. 更新解：
如果接受了新解：P_current = P_new；
f. 降温：
降温：T = T * α；
g. 判断终止条件：
如果 T<= Tf 或达到预设的迭代次数 N，则终止优化过程；
返回最优解：
返回最优解 P_current 作为优化结果，包括着陆腿的最佳控制参数组合。
在每次迭代中，模拟退火算法根据能量差和温度来决定是否接受新解。能量差的计算涉及能量函数 E，该函数综合考虑了环境感知和状态预测结果以及当前和新解的着陆腿控制参数。接受概率准则中的温度 T 控制了接受新解的概率，温度下降率 α 决定了温度的逐步降低。最终，根据终止条件判断是否终止迭代过程，并返回最优解作为火箭子级回收过程中的着陆腿输出控制结果。
步骤S5、根据环境感知情况、火箭子级预测状态和着陆腿参数优化的结果，进行控制决策。
具体包括：
根据预定的控制策略和目标，生成控制指令；
将生成的指令发送至控制系统并实施到着陆腿的执行器上；
实时监测着陆腿的状态和环境变化，并根据需要对着陆腿进行调整和修正。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种火箭回收子级着陆腿控制方法，其特征在于，包括：
采集火箭子级回收过程中的环境数据和状态信息，对采集的数据进行预处理；
建立基于卷积神经网络的环境感知模型；
基于环境感知模型，对火箭子级状态进行预测；
采用基于全局优化的散列逼近算法对着陆腿的控制参数进行优化；
根据环境感知情况、火箭子级预测状态和着陆腿参数优化的结果，进行控制决策；
所述采用基于全局优化的散列逼近算法对着陆腿的控制参数进行优化包括：
初始化初始温度、终止温度、温度下降率以及着陆腿的初始控制参数；
进行邻域搜索，根据当前解生成新的着陆腿控制参数组合；
输入当前的环境信息和姿态数据，使用环境感知模型进行环境感知，提取关键的环境特征，利用环境感知模型进行火箭状态预测，得到火箭子级状态数据；
根据能量差和温度并依据接受准则来决定是否接受新解；
满足终止条件后终止迭代过程，并返回最优解作为火箭子级回收过程中的着陆腿输出控制结果；
所述能量差计算方法为：
ΔE = E(P_new, CNN_output) - E(P_current, CNN_output)；
式中，ΔE为能量差，E表示能量函数，P_new为邻域搜索解，CNN_output为环境感知模型的预测结果，P_current为着陆腿的初始控制参数。
2.如权利要求1所述的火箭回收子级着陆腿控制方法，其特征在于，所述基于环境感知模型，对火箭子级状态进行预测包括：
输入传感器数据和着陆腿状态；
定义环境感知模型中的输入图像尺寸、输入图像通道数、卷积层数、激活函数和池化类型；
对卷积核大小、卷积步幅、池化核大小和池化步幅进行初始化；
基于环境感知模型进行卷积操作生成最终的预测结果；
其中，火箭子级状态包括火箭子级的位置、火箭子级的速度和火箭子级的姿态。
3.如权利要求2所述的火箭回收子级着陆腿控制方法，其特征在于，所述基于环境感知模型进行卷积操作生成最终的预测结果包括：利用卷积层和池化层提取图像特征，利用展平层将图像特征和着陆腿状态特征融合，利用全连接层和输出层用于生成最终的预测结果。
4.如权利要求3所述的火箭回收子级着陆腿控制方法，其特征在于，所述环境感知模型包括：输入层、卷积层、池化层、展平层、着陆腿状态层、全连接层和输出层；所述输入层用于将输入传感器数据重新调整为图像；所述卷积层用于对每一层进行卷积操作；所述池化层用于对每一层进行池化操作；所述展平层用于将最后一层的池化结果展平为向量；所述着陆腿状态层用于将着陆腿状态通过全连接层进行变换，得到着陆腿状态特征；所述合并层用于将合并着陆腿状态特征表示和图像特征表示，得到融合后的特征向量：所述全连接层用于全连接运算；所述输出层用于输出预测。
5.如权利要求1所述的火箭回收子级着陆腿控制方法，其特征在于，所述建立基于卷积神经网络的环境感知模型后还包括：对环境感知模型进行训练，使得其能够从传感器数据中提取关键的环境特征，并实时更新环境感知结果；所述环境特征包括障碍物和地形。
6.如权利要求1所述的火箭回收子级着陆腿控制方法，其特征在于，所述根据环境感知情况、火箭预测状态和着陆腿参数优化的结果，进行控制决策包括：
根据预定的控制策略和目标，生成控制指令；
将生成的指令发送至控制系统并实施到着陆腿的执行器上；
实时监测着陆腿的状态和环境变化，并根据需要对着陆腿进行调整和修正。
7.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至6任一项所述的火箭回收子级着陆腿控制方法。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至6任一项所述的火箭回收子级着陆腿控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310872738.6A CN116772662B (zh) | 2023-07-17 | 2023-07-17 | 一种火箭回收子级着陆腿控制方法、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310872738.6A CN116772662B (zh) | 2023-07-17 | 2023-07-17 | 一种火箭回收子级着陆腿控制方法、计算设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116772662A CN116772662A (zh) | 2023-09-19 |
| CN116772662B true CN116772662B (zh) | 2024-04-19 |
Family
ID=87989533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310872738.6A Active CN116772662B (zh) | 2023-07-17 | 2023-07-17 | 一种火箭回收子级着陆腿控制方法、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116772662B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107393348A (zh) * | 2017-07-10 | 2017-11-24 | 南京航空航天大学 | 一种信息共享机制下的进离场航班协同排序方法 |
| EP3968184A1 (en) * | 2019-05-10 | 2022-03-16 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, electronic device, and computer storage medium for optimizing quantization model |
| CN114663488A (zh) * | 2022-03-16 | 2022-06-24 | 北京理工大学 | 一种基于深度学习的火箭助推器分离运动参数测量方法 |
| CN116401756A (zh) * | 2023-02-28 | 2023-07-07 | 沈阳航空航天大学 | 基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备 |
| CN116395167A (zh) * | 2023-03-29 | 2023-07-07 | 中国飞机强度研究所 | 一种仿生腿式起落装置运动控制系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343576B (zh) * | 2021-06-22 | 2022-03-11 | 燕山大学 | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 |
-
2023
- 2023-07-17 CN CN202310872738.6A patent/CN116772662B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107393348A (zh) * | 2017-07-10 | 2017-11-24 | 南京航空航天大学 | 一种信息共享机制下的进离场航班协同排序方法 |
| EP3968184A1 (en) * | 2019-05-10 | 2022-03-16 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, electronic device, and computer storage medium for optimizing quantization model |
| CN114663488A (zh) * | 2022-03-16 | 2022-06-24 | 北京理工大学 | 一种基于深度学习的火箭助推器分离运动参数测量方法 |
| CN116401756A (zh) * | 2023-02-28 | 2023-07-07 | 沈阳航空航天大学 | 基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备 |
| CN116395167A (zh) * | 2023-03-29 | 2023-07-07 | 中国飞机强度研究所 | 一种仿生腿式起落装置运动控制系统 |
Non-Patent Citations (1)
| Title |
|---|
| 杨汉桥 ; 林晓辉 ; .遗传算法与模拟退火法寻优能力综述.机械制造与自动化.2010,(第02期),第1.2节、2.4节. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116772662A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A policy search method for temporal logic specified reinforcement learning tasks | |
| CN109940614B (zh) | 一种融合记忆机制的机械臂多场景快速运动规划方法 | |
| Saviolo et al. | Learning quadrotor dynamics for precise, safe, and agile flight control | |
| Huynh et al. | A TOPSIS multi-criteria decision method-based intelligent recurrent wavelet CMAC control system design for MIMO uncertain nonlinear systems | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN114694158A (zh) | 票据的结构化信息的提取方法及电子设备 | |
| CN114692488A (zh) | 一种超临界翼型的生成方法、装置、电子设备及存储介质 | |
| Boutselis et al. | Constrained sampling-based trajectory optimization using stochastic approximation | |
| CN116772662B (zh) | 一种火箭回收子级着陆腿控制方法、计算设备及存储介质 | |
| CN109492816B (zh) | 一种基于混合智能的煤与瓦斯突出动态预测方法 | |
| Prasetyo et al. | Spatial Based Deep Learning Autonomous Wheel Robot Using CNN | |
| CN107480786B (zh) | 基于输出状态限制的循环神经网络轨迹似然概率计算方法 | |
| CN114373092A (zh) | 一种基于拼图排列学习的渐进式训练细粒度视觉分类方法 | |
| WO2021186500A1 (ja) | 学習装置、学習方法、及び、記録媒体 | |
| CN113985870B (zh) | 一种基于元强化学习的路径规划方法 | |
| Wang et al. | Tracking moving target for 6 degree-of-freedom robot manipulator with adaptive visual servoing based on deep reinforcement learning PID controller | |
| CN115965787A (zh) | 一种遥感图像交互式分割方法、计算机设备及存储介质 | |
| CN113031590B (zh) | 一种基于李雅普诺夫函数的移动机器人视觉伺服控制方法 | |
| CN115289917A (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 | |
| CN114926652A (zh) | 基于交互与聚合式特征优化的孪生跟踪方法及系统 | |
| KR101499864B1 (ko) | 인공벌 군집 알고리즘을 이용한 컴플라이언트 메커니즘의 위상 최적화 방법 및 장치 | |
| Chi et al. | A collision-free path planning method using direct behavior cloning | |
| CN112052626A (zh) | 一种神经网络自动设计系统和方法 | |
| CN116401377B (zh) | 一种基于扩散概率分布的时序知识图谱推理方法 | |
| CN115115094B (zh) | 结合序列局部信息与多序列关联关系的交通流量预测方法 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Applicant after: Dongfang space technology (Shandong) Co.,Ltd. Applicant after: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Applicant after: Oriental space technology (Beijing) Co.,Ltd. Applicant after: Orient Space (Hainan) Technology Co.,Ltd. Address before: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Applicant before: Dongfang space technology (Shandong) Co.,Ltd. Country or region before: China Applicant before: Oriental space technology (Beijing) Co.,Ltd. Applicant before: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Applicant before: Orient Space (Hainan) Technology Co.,Ltd. Country or region after: China Address after: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Applicant after: Dongfang space technology (Shandong) Co.,Ltd. Applicant after: Oriental space technology (Beijing) Co.,Ltd. Applicant after: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Applicant after: Orient Space (Hainan) Technology Co.,Ltd. Address before: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Applicant before: Dongfang space technology (Shandong) Co.,Ltd. Country or region before: China Applicant before: Oriental space technology (Beijing) Co.,Ltd. Applicant before: Oriental space (Xi'an) Aerospace Technology Co.,Ltd. Applicant before: Orient Space (Hainan) Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |