論文の概要: DikpolaSat Mission: Improvement of Space Flight Performance and Optimal
Control Using Trained Deep Neural Network -- Trajectory Controller for Space
Objects Collision Avoidance
- arxiv url: http://arxiv.org/abs/2106.00007v1
- Date: Sun, 30 May 2021 23:35:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 14:06:47.475036
- Title: DikpolaSat Mission: Improvement of Space Flight Performance and Optimal
Control Using Trained Deep Neural Network -- Trajectory Controller for Space
Objects Collision Avoidance
- Title（参考訳）: DikpolaSat Mission: 訓練されたディープニューラルネットワークによる宇宙飛行性能の向上と最適制御 -- 宇宙物体衝突回避のための軌道制御
- Authors: Manuel Ntumba, Saurabh Gore, Jean Baptiste Awanyo
- Abstract要約: 本稿では,宇宙船を所望の経路に追従させることにより,制御器の実証を行う方法について述べる。
障害回避アルゴリズムは、ニューラルネットワークからの入力を使用して自然に応答する制御機能に組み込まれる。
飛行制御と燃料消費を最適化するための複数のアルゴリズムは、軌道の飛行力学の知識を用いて実装することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduced the space mission DikpolaSat Mission, how this research
fits into the mission, and the importance of having a trained DNN model instead
of the usual GN&C functionality. This paper shows how the controller
demonstration is carried out by having the spacecraft follow a desired path,
specified in the referenced model. Increases can be made by examining the route
used to construct a DNN and understanding the effects of various activating
functions on system efficiency. The obstacle avoidance algorithm is built into
the control features to respond spontaneously using inputs from the neural
network for collision avoidance while optimizing the modified trajectory. The
action of a neural network to control the adaptive nature of the nonlinear
mechanisms in the controller will make the control system capable of handling
multiple nonlinear events and also uncertainties that have not been induced in
the control algorithm. Multiple algorithms for optimizing flight controls and
fuel consumption can be implemented using knowledge of flight dynamics in
trajectory and also in the event of obstacle avoidance. This paper also
explains how a DNN can learn to control the flight path and make the system
more reliable with each launch, thereby improving the chances of predicting
collisions of space objects. The data released from this research is used to
design more advanced DNN model capable of predicting other orbital events as
well.
- Abstract（参考訳）: 本稿では、DikpolaSat Missionという宇宙ミッションを紹介し、この研究がミッションにどのように適合するか、そして通常のGN&C機能の代わりに訓練されたDNNモデルを持つことの重要性について述べる。
本稿では, 宇宙船が所望の経路をたどることで, 制御器の実証を行う方法を示す。
DNNの構築に使用される経路を調べ、様々な活性化関数がシステム効率に与える影響を理解することで、増大を図ることができる。
障害回避アルゴリズムは、ニューラルネットワークからの入力を用いて自然に応答する制御機能に組み込まれ、修正された軌道を最適化する。
制御系における非線形機構の適応性を制御するニューラルネットワークの動作により、制御系は制御アルゴリズムで誘導されていない複数の非線形事象や不確実性を処理することができる。
飛行制御と燃料消費を最適化するための複数のアルゴリズムは、軌道における飛行力学の知識や障害物回避の場合にも実装できる。
また、DNNが飛行経路を制御し、打ち上げ毎にシステムをより信頼性の高いものにすることで、宇宙物体の衝突を予測できる可能性を改善する方法について述べる。
この研究から得られたデータは、他の軌道イベントを予測できるより高度なDNNモデルの設計に使用される。
関連論文リスト
- Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。
このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
論文 参考訳（メタデータ） (2024-10-03T17:50:19Z) - Structured Deep Neural Network-Based Backstepping Trajectory Tracking Control for Lagrangian Systems [9.61674297336072]
提案したコントローラは、任意の互換性のあるニューラルネットワークパラメータに対してクローズループ安定性を確保することができる。
モデル近似誤差や外乱の存在下では、閉ループ安定性と追従制御性能が保証されることが示されている。
論文 参考訳（メタデータ） (2024-03-01T09:09:37Z) - Hysteresis Compensation of Flexible Continuum Manipulator using RGBD Sensing and Temporal Convolutional Network [2.387821008001523]
ケーブル駆動マニピュレータは、摩擦、伸縮、結合などのキャブリング効果によって制御困難に直面している。
本稿では、ディープニューラルネットワーク(DNN)に基づくデータ駆動型アプローチを提案し、これらの非線形および過去の状態依存特性を捉える。
この手法を実際の手術シナリオに適用することで、制御精度を高め、手術性能を向上させることができる。
論文 参考訳（メタデータ） (2024-02-17T16:20:59Z) - DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。
DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。
適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
論文 参考訳（メタデータ） (2023-10-13T12:22:31Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳（メタデータ） (2020-08-19T15:22:15Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z) - Dynamic Modeling and Adaptive Controlling in GPS-Intelligent Buoy (GIB)
Systems Based on Neural-Fuzzy Networks [0.0]
本稿では, バックステッピング技術を用いて, 改良されたニューラルネットワークによる海洋ブイの位置決めに動的システムモデリングを適用した。
数値的および得られた結果から,制御系は比較的少ない位置誤差でブイの経路と位置を所望の目的に調整できることを示した。
論文 参考訳（メタデータ） (2020-04-03T17:28:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。