Aug, 2022

神经会合：学习为基础的稳健导航和控制，以遇到星际物体

PDF
TL;DR本文提出了一种称为神经约会（Neural-Rendezvous）的基于深度学习的指导和控制框架，使探测任何快速运动的天体尤其是星际物体（ISOs）变得高效且精确，同时提供一种方法在数值仿真中尝试所述方案。
interstellar objectsneural-rendezvousdeep learningspace missionmodel predictive control
发现论文，激发创造
  • 星际物体接近度和任务设计

    本文探讨了如何研究星际物体，包括讨论飞行任务的设计、不同导航方法应用和建议未来如何在场探索这些目标，所得出的结论同样适用于探索其他小型星体。

    Oct, 2022

  • 时间最优、匀加速交会的神经表示

    利用神经模型和数据增强技术，在深度学习框架下，实现低推力阶段的快速、准确太空交会的优化、值函数预测，实验结果表明模型在预测太空航行中的速度和时间上拥有高的精度。

    Mar, 2022

  • 基于深度学习的星载机相对导航方法综述

    该文综述了当前基于深度学习的自主航天器相对导航方法，并侧重于太空飞行器缘会和小型天体着陆等具体轨道应用。文章总结了深度学习相对导航算法的基本特征、主要动机和贡献，并比较了流行的视觉跟踪基准及其性质。此外，本文还讨论了潜在的应用以及预期的障碍。

    Aug, 2021

  • 一种自主基于视觉的行星间导航算法

    自动驾驶的星际卫星通过结合轨道确定方法与适用于星际自主平台的图像处理流程构建了一个全视觉导航算法，以从深空图像中提取的行星位置作为输入，进而增强了估计准确性，并开发了一种新颖的深空导航分析测量模型，该模型对光离差和光时间效应进行了一阶近似，通过在一个高保真度的地球 - 火星星际转移上进行算法性能测试，证明了该算法在深空导航中的适用性。

    Sep, 2023

  • 基于逼真渲染的深度学习航天器姿态估计

    利用深度学习和逼真的渲染技术进行空间交会、对接和空间碎片清理中的六自由度姿态估计，通过提出一种面向方向软分类的深度学习框架，通过在 Unreal 引擎 4 上构建模拟器生成标注图像，且在欧洲航天局的姿态估计竞赛中取得了第三名和第二名的优异成绩。

    Jul, 2019

  • 基于深度强化学习的曳杆目标多智能体检测

    本研究提出了一种用于自主、鲁棒、去中心化的旋转目标多智能体检查的层次学习方法。采用深度强化学习训练高水平计划器和导航计划器处理点对点导航，对于未知目标几何形状和来自传感器输入的更高保真度的信息论目标，此方法可拓展至鲁棒策略，并在受限信息下成功地检查超过 90% 的非凸旋转目标。

    Feb, 2023

  • 航天器神经制导与控制中的最优性原理

    研究了将端到端神经引导和控制结构应用于探索太阳系的航天器和无人机，通过这种方式，传感器信息在实时转换为最佳计划，以提高任务自主性和鲁棒性，实现了优化原则的成功学习，并建议在无人机竞速上进行实际测试，以增加对其在未来空间探索任务中的利用的信心。

    May, 2023

  • 利用神经辐射场进行未知空间物体姿态估计的接近操作

    通过使用神经辐射场（NeRF）方法和离散图像集合，本研究提出了一种新的方法来在未知目标中估计航天器的 6D 姿态，实现了在未知目标上应用已知目标 CAD 模型的现有航天器姿态估计器，从而实现了自主汇合与接近操作。

    May, 2024

  • 利用动力无关的强化学习实现低推力轨道转移

    该论文研究了使用强化学习的方法来优化低推力卫星的轨迹设计和自主控制。研究表明这种方法可以学习出几乎最优的引导定律，并且对环境动态的不确定性有很好的适应性。

    Oct, 2022

  • Iso-Dream：隔离并利用世界模型中不可控制的视觉动态

    本文提出了一种基于强化学习的新方法 Iso-Dream，通过优化逆动力学，鼓励世界模型学习隔离状态之间的可控和不可控源的时空变化，并优化代理在分离的潜在想象中的行为，有效地分离了复杂的动力学，并在一系列视觉控制和预测任务中显著优于现有方法。

    May, 2022