論文の概要: Optimality Principles in Spacecraft Neural Guidance and Control
- arxiv url: http://arxiv.org/abs/2305.13078v1
- Date: Mon, 22 May 2023 14:48:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 15:26:34.758304
- Title: Optimality Principles in Spacecraft Neural Guidance and Control
- Title(参考訳): 宇宙機神経誘導制御における最適原理
- Authors: Dario Izzo, Emmanuel Blazquez, Robin Ferede, Sebastien Origer,
Christophe De Wagter, Guido C.H.E. de Croon
- Abstract要約: 我々は、エンドツーエンドの神経誘導と制御アーキテクチャ(以下、G&CNetと呼ばれる)は、最適な原則に従って行動することの重荷をオンボードで転送できると主張している。
このようにして、センサー情報はリアルタイムで最適な計画に変換され、ミッションの自律性と堅牢性が向上する。
本稿では、惑星間移動、着陸、近接操作のシミュレーションにおいて、そのようなニューラルネットワークのトレーニングにおいて得られた主な成果について論じる。
- 参考スコア(独自算出の注目度): 16.59877059263942
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spacecraft and drones aimed at exploring our solar system are designed to
operate in conditions where the smart use of onboard resources is vital to the
success or failure of the mission. Sensorimotor actions are thus often derived
from high-level, quantifiable, optimality principles assigned to each task,
utilizing consolidated tools in optimal control theory. The planned actions are
derived on the ground and transferred onboard where controllers have the task
of tracking the uploaded guidance profile. Here we argue that end-to-end neural
guidance and control architectures (here called G&CNets) allow transferring
onboard the burden of acting upon these optimality principles. In this way, the
sensor information is transformed in real time into optimal plans thus
increasing the mission autonomy and robustness. We discuss the main results
obtained in training such neural architectures in simulation for interplanetary
transfers, landings and close proximity operations, highlighting the successful
learning of optimality principles by the neural model. We then suggest drone
racing as an ideal gym environment to test these architectures on real robotic
platforms, thus increasing confidence in their utilization on future space
exploration missions. Drone racing shares with spacecraft missions both limited
onboard computational capabilities and similar control structures induced from
the optimality principle sought, but it also entails different levels of
uncertainties and unmodelled effects. Furthermore, the success of G&CNets on
extremely resource-restricted drones illustrates their potential to bring
real-time optimal control within reach of a wider variety of robotic systems,
both in space and on Earth.
- Abstract(参考訳): 太陽系の探査を目的とした宇宙船やドローンは、機内資源のスマート使用がミッションの成功や失敗に欠かせない状況下で運用されるように設計されている。
したがって、感覚運動は各タスクに割り当てられた高レベルで定量化可能な最適性原理から導出され、最適制御理論における統合ツールを利用する。
計画されたアクションは地上で導き出され、コントローラがアップロードされたガイダンスプロファイルを追跡するタスクをオンボードで行う。
ここでは、エンドツーエンドの神経誘導制御アーキテクチャ(以下、g&cnetsと呼ばれる)は、これらの最適性原則に作用する責任をオンボードに移すことを可能にする。
このようにして、センサー情報はリアルタイムで最適な計画に変換され、ミッションの自律性と堅牢性が向上する。
本稿では, 惑星間移動, 着陸, 近接操作のシミュレーションにおいて, ニューラルモデルによる最適性原理の学習を成功させたことを明らかにする。
次に、実際のロボットプラットフォーム上でこれらのアーキテクチャをテストするための理想的なジム環境としてドローンレースを提案する。
ドローンレースは、宇宙船での計算能力に制限があり、最適性原理から導かれる同様の制御構造を持つが、不確実性や非モデル化効果のレベルも異なる。
さらに、非常に資源が制限されたドローンにおけるG&CNetの成功は、宇宙と地球の両方において、より広い範囲のロボットシステムのリーチ内でリアルタイムの最適制御をもたらす可能性を示している。
関連論文リスト
- LLMSat: A Large Language Model-Based Goal-Oriented Agent for Autonomous Space Exploration [0.0]
本研究は,宇宙船の高レベル制御システムとしてのLarge Language Models (LLMs)の適用について検討する。
一般的なゲームエンジンであるKerbal Space Programでシミュレートされた一連の深宇宙ミッションシナリオをケーススタディとして使用し、要求に対する実装を評価する。
論文 参考訳(メタデータ) (2024-04-13T03:33:17Z) - Reaching the Limit in Autonomous Racing: Optimal Control versus
Reinforcement Learning [66.10854214036605]
ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。
本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。
その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
論文 参考訳(メタデータ) (2023-10-17T02:40:27Z) - Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。
提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
論文 参考訳(メタデータ) (2023-04-19T17:37:54Z) - Inverted Landing in a Small Aerial Robot via Deep Reinforcement Learning
for Triggering and Control of Rotational Maneuvers [11.29285364660789]
高速で頑健な逆着陸は、特に機内でのセンシングと計算に完全に依存しながらも、空中ロボットにとって難しい偉業である。
これまでの研究では、一連の視覚的手がかりとキネマティックな動作の間に直接的な因果関係が特定され、小型の空中ロボットでこの困難なエアロバティックな操作を確実に実行することができた。
本研究では、まずDeep Reinforcement Learningと物理シミュレーションを用いて、頑健な逆着陸のための汎用的最適制御ポリシーを得る。
論文 参考訳(メタデータ) (2022-09-22T14:38:10Z) - Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
高速物体把握のための完全自律飛行ロボットが提案されている。
追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。
我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
論文 参考訳(メタデータ) (2021-12-10T11:49:51Z) - 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) - Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
立方体の作動限界における時間-最適軌道の計画は未解決の問題である。
四重項のアクチュエータポテンシャルをフル活用する解を提案する。
我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
論文 参考訳(メタデータ) (2021-08-10T09:26:43Z) - Advances in Trajectory Optimization for Space Vehicle Control [2.8557067479929152]
本報告では, 宇宙車両制御の最近の進歩, 成功, 将来的な方向性について概説する。
検討された用途には、惑星着陸、ランデブーと近接作戦、小型のボディランディング、制約された再配向、内空飛行などが含まれる。
読者は、それぞれの宇宙船制御アプリケーションにおける最先端の理解を深める。
論文 参考訳(メタデータ) (2021-08-05T01:36:27Z) - DikpolaSat Mission: Improvement of Space Flight Performance and Optimal
Control Using Trained Deep Neural Network -- Trajectory Controller for Space
Objects Collision Avoidance [0.0]
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。
論文 参考訳(メタデータ) (2021-05-30T23:35:13Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳(メタデータ) (2020-08-18T08:05:15Z) - Real-Time Optimal Guidance and Control for Interplanetary Transfers
Using Deep Networks [10.191757341020216]
最適な例の模倣学習は、ネットワークトレーニングパラダイムとして使用される。
G&CNETは、宇宙船の最適誘導制御システムの実装をオンボードでリアルタイムに行うのに適している。
論文 参考訳(メタデータ) (2020-02-20T23:37:43Z)
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。