מדד טכנולוגיית הגלגל התגובה והאינטליגנציה המלאכותית לשליטה אוטונומית

המונחים: The Evolution of Reaction Wheel control

אוריינטציה חללית, או בקרת גישה, היא אחד האתגרים הבסיסיים ביותר בטיסה בחלל.ללא היכולת להצביע על פאנל סולארי לעבר השמש, לכוון אנטנה על כדור הארץ, או להתאים כלי מדעי עם גלקסיות מרוחקות, משימתו של לוויין היא למעשה Over.במשך עשורים, גלגלי התגובה שימשו כפועלי בקרה ראשוניים של תמרונים מנקודות דק, המציעים גישה חלקה, נטולת דלק, ביעילות, כאשר הם מתנפחים את המורכבות של הגוף, או מסובבת, מתנפחים, מתנפחים, מתנפחים, מתנפחים, או מסובבתים, מתנפחים, מתנפחים, מתנפחים, כאשר הם מתנפחים, מסובכים את המורכבות של תנופה, מתנפחים, מסובכים את המורכבות של תנופה, או מסובבתים, מתנפחים, או מסובבתים, או מסובבתים, הגמישות, או מסובבתים, מסובכות, מסובכות, כאשר הם מסובכות את המורכבות של תנופה, מסובכות, מסובכות לאחור, או מסובכות את המורכבות של תנופה, מסובכות, מסובכות, או מסובכות את המורכבות של תנופה, הגמישות, או מסובכות לאחור, או מסוב

כיום, גבול חדש נפתח כאינטליגנציה מלאכותית (AI) ולמידה מכונה (ML) מוטבעים בלולאות בקרת גלגל התגובה.אינטגרציה זו מבטיחה לדחוף שליטה אוטונומית מעבר לתגובות טרום-מופצות, המאפשרות לחלליות להסתגל, לאבחן תקלות ואופטימיזציה ביצועים בזמן אמת. מאמר זה בוחן את הטכנולוגיה שמאחורי גלגלים התגובה, את התפקיד של AI בשליטה אוטונומית, את היתרונות ואת האתגרים של שילוב של שני הכיוונים, בעתיד וכיוונים אינטליגנטיים של מערכות חלליות מצביעות.

תגובה ל- Wheel Technology: Fundamentals and Engineering

כיצד פועל הגלגל

גלגל תגובה הוא גלגל גלגלים חשמלי מונחה על חללית.כאשר המנוע מאיץ את הגלגל בכיוון אחד, מומנט שווה ומנוגד הוא מיושם על החללית, מה שגורם לו לסובב בכיוון ההפוך.על ידי שליטה במהירות של שלושה או ארבעה גלגלים מסודרים או tthogonally (או בתצורה tetrahedral), מהנדסים יכולים להשיג שליטה תלת-קסית ללא סלקציה זה, כאשר טלסקופים קצר, הוא ויזואלי, כמו טלסקופים, הוא כמעט, הוא כמעט לוויינים, כמו טלסקופים, הוא ויזואליים, כמו טלסקופים, הוא כמעט, הוא ויזואליים, כמו טלסקופים, כמו טלסקופים, לוויינים, כמו טלסקופים, לוויינים, כמו לוויינים, כמו טלסקופים, 000 ויזואליים, ויזואליים, ויזואליים, או לוויינים, ⁇ , או ויזואליים, או לוויינים, או ויזואליים, ויזואליים, לוויינים, .

ה- torque שנוצר על ידי גלגל תגובה הוא פרופורציה של שינוי המומנטום הזוויתי שלו.גלגל ריצוף - שבו הגלגל מגיע למהירות הזווית המקסימלית שלו - הוא מגבלה ידועה. at saturation, הגלגל כבר לא יכול לספק מומנט נוסף בכיוון זה, הדורש תמרונים ניהול מומנטום, לעתים קרובות באמצעות דחף או מגנטים (חשמל מגנטיים אינטראקציה עם שדה מגנטי) לגלגלים "מדומים" מגנטיים" מגנטיים.

עיצוב וחומרים

(הגלגלים הם חומרים אלקטרו-מכאניים מדויקים של ה-Footגלגל עצמו נעשה לעתים קרובות מחומרים גבוהים של טלסקופ כגון טיטניום או ⁇ פלדה לעמוד בקצב גבוה של ספין ולהפחית את העיוות. Bearings הם נקודה קריטית של כישלון; רבים מודרני גלגלי תגובה מעסיקים נושאים מגנטיים פעילים או גבוה-Kliability כדור נושאת שופע עם שמנים מעוקלים.

יישומים היסטוריים ונוכחיים

(ב) גלגלים משמשים מאז שנות ה-60 של לווינים מוקדמים כמו ה-FLT:0 (Applications Technology SatelliteFLT:1 (ATS) הם מופיעים כעת על כל חלליות הנשלטת על ידי גישה, דוגמאות בלתי ניתנות להשוואה בין ה-FLT:2 טלסקופ החלל הריקבון 3FLT, אשר משתמש בארבעה גלגלים של הצבעה יפה, ו-RLTF:4 WeFreatrea: 7:

לפרטים טכניים נוספים על עיצוב גלגל התגובה ומצבי כישלונות, מתייחסים לסקירה הטכנית של נאס"א:0 (נאס"א) של נאס"א ב-FLT:1 ו-FLT:2 European Space Agency reviewFLT 3: 3.

חוסר יכולת לשליטה אוטונומית: מדוע נדרשת AI

מערכות בקרה מסורתיות של גישה משתמשות באלגוריתמים של בקרה קלאסית - בקרה חיזויית (PID) בקרים, הרגולטורים הלינאריים-quadratic (LQR), או בקרת מודל (MPC) - הנשען על מודל מתמטי קבוע של הדינמיקה של החללית.העבודה הזו טובה תחת תנאים נומינליים, אבל משימות חלל מתנגשות באופן קבוע עם אנומליות: רעש, שינויים גלגל, עיוותים, עיוותים, עיוותים, עיוותים, ואפילו מחוקים ידניים, דורשות ותחת פיקוח על גבי גלגלים.

משימות חלל עמוק מגבירות את האתגרים הללו.סימן ממאדים לוקח בין 4 ל-24 דקות אחת, מה שהופך את התערבות הקרקע בזמן אמת לבלתי אפשרית.עבור משימות עתידיות לאסטרואידים, באטים או לכוכבי הלכת החיצוניים, החללית חייבת לבצע התאמות בין שנייה משלהם.אינטליגנציה מלאכותית מציעה נתיב לאוטונומיה גדולה יותר: תוכנה שעוקבת אחר, לומדת, ומחליטה בתוך הלולאה.

שילוב בינה מלאכותית עם Reaction Wheel control Systems

Reinforcement Learning for attitude Maneuvers

גישה מבטיחה אחת היא חיזוק למידה (RL), שבו רשת עצבית לומדת מדיניות בקרה אופטימלית באמצעות משפט וטעייה בסביבה מדומה. סוכן ה-RL מקבל מידע מצב המדינה (במידת דיוק, קצבי גב, מהירות הגלגל, מעמד הפועלים) ופלט פקודות מומנט.התפקיד מתגמל שגיאות הצבעה, האצה מופרזת וצריכת אנרגיה תוך תגמול מהיר, מדויק, לאחר אימון נרחב יכול להיות פרוס מדיניות המחשב.

חוקרים מאוניברסיטת טקסס באוסטין FIRLT:1 ו-FLT:2NASA של Jet Propulsion LaboratoryFLT 3 הוכיחו כי בקרים מאומנים של RL יכולים לפורזציה קלאסית PID במונחים של הגבלת זמן ויעילות דלק במהלך תמרונים מדומים.

למידה מבוססת על ו unsupervised for Fault Detection

AI יכול גם להגדיל זיהוי אשמה מסורתי, בידוד, ושיקום (FDIR) מערכות. a Deep Autoencoder, למשל, ניתן לאמן על ידי טלמטרי תגובה (כיום, מהירות, טמפרטורה, רטט) כאשר גלגל מתחיל לזלזל - בשל הגדלת חיכוך או חוסר איזון פנימי - מערכות אוטומטי לשחזר את האותות העניות, מעוררות תגובה חריגה של אדפטמה זו זיהתה: 1Four חודשים לפני 1Four שפורסם לפני 1Fr 1Four 1D2 חודשים: 1Fr 1Fr 1Fr) 1Fr 1Fr 1DR2, 000 בפועל: 1Fr 1Fr 1D2 חודשים: 1 מ-T) LT2, 000 של חוסר איזון אווירי, 000 1D2, 000 1D) LT2 חודשים של חוסר איזון אוויר של חוסר איזון אווירי, 000 1Fr של חוסר איזון אווירי, 000 של חוסר איזון אווירי של 2019 LT2 בפועל - חוסר איזון אווירי, 000 של חוסר איזון אווירי, 000 של חוסר איזון אווירי, 000 בפועל - מאיץ, 000 של מערכת אוטומטית, 000 של מערכת אוטומטית, 000 של מערכת אוטומטית, 000 של מערכת אוטומטית, 000 של חוסר איזון אווירי, 000 של 2019

טכניקות דומות נבדקות על ה-FLT:0 NASA סטלנר אוטונומי MissioneursFLT:1, אשר משלב FDIR מבוסס ML לתוך פלטפורמת לוויין קטנה.המערכת לומדת דפוסי התנהגות נורמליים ומזהירה את הבקר הראשי לעבור גלגל גיבוי או להתאים את השליטה באופן אוטונומי.

בקרת מודלים עם למידה של Dynamics

גישה היברידית נוספת משתמשת בלמידה של מכונה כדי לבנות מודל דינמי מונע נתונים של החללית - כולל אפקטים לא לינאריים כמו חיכוך גלגל, קרועה לריצה, וגמישות בלוחות סולאריים.מודל זה למד ואז להאכיל לתוך בקר חיזוי מודל (MPC) שמייעל את הגלגל ל- MPC על פני אופק עתידי. כי המודל מעודכנת ללא הרף עם טלמט חדש, הבקרים להסתגל לשינויים, כגון טמפרטורה כי הוא למד כדי לשנות את הסימולציות MPC מוקדם.

יתרונות מרכזיים של AI-Enhanced Reaction Wheel Control

השילוב של גלגלי תגובה ו-AI מציע מספר יתרונות קונקרטיים על שליטה קלאסית:

• (FLT:0) אלגוריתמים AI יכולים לפצות על אי-לינאריות והפרעות שקשה לייצר באופן אנליטי.זה מוביל ליציבות מלהיבת יותר, חיונית לדמיון בין-פריאומטריה ולדמיית רזולוציה גבוהה.
• (FLT:0)Fault Tolerance: FLT:1, מבוסס AI FDIR יכול לזהות דפוסים עדינים של אסטרטגיות של השפלה והגדרה מחדש של שליטה - למשל, הסרת מומנט לגלגל בריא או להתאים את מגבלות המהירות - ללא התערבות אנושית.
• (FLT:0)אנרגיה אי-יעילות: Reinforcement Learn Policy נוטה למזער האצות של גלגל מיותרות, צמצום כוח.על לווינים קטנים עם לוחות סולאריים מוגבלים, זה יכול להאריך את משך המשימה.
• (FLT:0) תפעולי אוטונומיים: FLT:1 , AI מעניק לחללית את היכולת לתכנן ולבצע רצפי הצבעה מורכבים, כגון מעקב אחר מטרה נעה תוך צמצום ריצוף הגלגל.זה מקטין את הצורך במגעים קרקעיים ומאפשר תגובות מהירות לאירועים טרנסנדנטליים כמו supernovae או אסטרואידים.
• (FLT:0) ,Adaptancy: 1FLT) מודלים דינמיים לומדים מאפשרים למערכת הבקרה להסתגל להזדקנות ציוד, ⁇ תרמיים, או אפילו כשלי גלגל חלקיים - שמירה על ביצועים לאורך חיי המשימה.

אתגרים וסיכון במערכות ההפעלה AI-Driven

אחריות ואימות

מערכות ברמה החלל דורשות אמינות יוצאת דופן.אלגוריתמים של בינה מלאכותית, במיוחד רשתות עצביות עמוקות, קשה מאוד לאמת באופן רשמי.רשת עצבית המבצעת ללא סייג בסימולציה עשויה להתנהג ללא משפט כאשר מתמודדים עם קריאה של חיישן לא-לפני-עין.קהילת החלל מפתחת באופן פעיל "אימות רשת עצבי" כלים שיכולים להוכיח באופן מתמטי התנהגות מוגבלת למגוון קלט.

המונחים: constraints

מחשבים לטיסה הם בדרך כלל קרינה-קשה ואטים הרבה יותר מאשר CPUs מסחריים. הפעלת מדיניות למידה מורכבת חיזוק או קוד אוטומטי הקצוץ דורש אופטימיזציה זהירה, לעתים קרובות באמצעות מודלים קוונטיים או חומרה ייעודית כמו FLT:0SpaceCubecioFLT 1 או FPGA accelerators.

בטיחות ורובוסטנס

בקר אוטונומי לעולם לא ייכנס למדינה שמסכן את החללית, כגון לסובב גלגל תגובה עד מהירות ההתפרצות שלו או פקודה של גוש מהיר שיכול לפגוע בתוספת גמישות של כוונונים.בקרים קלאסיים כוללים מגבלות בטיחות ועיגולים מעכבים.בקרים מבוססי AI חייבים להיות מעוצבים עם FLT:0 בטוח מחקר FLT:1 טכניקות, כגון שימוש בקר קלאסי גיבוי שלוקח על פני AI מייצרת פקודות בטוחות על פני "מקלט" (מקלטים) על פני זמן בטוח.

נתונים והדרכה

אימון AI עבור בקרת גישה בדרך כלל דורש סימולטורים נאמנות גבוהה ללכוד את הדינמיקה החללית, רעש חיישן, גבולות אקטוטור, והפרעות סביבתיות. בנייה ואימות סימולטורים כאלה יקר. יתר על כן, AI חייב להיות חזק תנאים לא נתקלו במהלך אימון, כגון פרופיל חיכוך חדש עקב מעונות ממושכת.

(ב) ראו את האתגרים של AI בחלל, ראו את ה-FLT:0ESA AI בעמוד חלל ההרחבה 1 ואת סקרי מחשוב ACM נושא מיוחד על למידת מכונה בטוחה עבור מערכות קריטיות בטיחות.

כיוונים עתידיים: לקראת חלל אוטונומי מלא

על-ידי Orbit Learning

בקרים מבוססי בינה מלאכותית מאומנים על הקרקע ולאחר מכן קפואים לפני ההשקה.מערכות עתידיות עשויות להופיע (FLT:0on-orbit Learning ElementFLT:1), שבו AI מעדכן את המודל שלה בהתבסס על טלמטריות חדשות.זה יאפשר לחללית להסתגל להידרדרות ארוכת טווח, כגון האבולוציה של חיכוך גלגלים לאורך שנים, או למצבים בלתי צפויים כמו התנגשות עם מיקרומטרואידים שיכולים לזהות את המולקולות משמעותיות על פני למידה.

קונסולת Multi-Agentתיאום

התנגשויות של לווינים קטנים, כגון אלה אשר פרוסים לגישה לאינטרנט או תצפית כדור הארץ, יכול ליהנות משליטה AI מבוזרת.מערכת גלגל התגובה של כל לוויין יכול לתאם עם שכנים כדי לשמור על היווצרות טיסה או לחלוק את חובות ניהול התנופה. לדוגמה, לוויין אחד יכול באופן זמני "להיבור" תנופה זוויתית מעוד באמצעות תקשורת בין-לוויינים, צמצום הצורך עבור נדחת יחיד.

AI מסביר את המשימה Assurance

מפעילי המשימה ורשויות ההסמכה דורשים הבנה של מדוע בקר קיבל החלטה מסוימת.סביר את שיטות AI (XAI) כגון מנגנוני תשומת לב או הסברים מבוססי-קונספט, מותאמים עבור מערכות בקרה.בעתיד, חללית לא רק יכולה לבצע תמרון אוטונומי אלא גם ליצור הצדקה אנושית לקריאה: "עליתי 2 מהירות על ידי 3% לפצות על הגדלת פערי גלגל על גלגל 4, אשר זוהה על ידי חיישן חשוב כזה יהיה חיישן גבוה."

שילוב עם גורמי פעולה מתעוררים

בעוד גלגלי התגובה נשארים דומיננטיים, מכשירים חדשים יותר של תנופה כמו בקרת הרגע גירוסקופים (CMGs) מספקים מומנט גדול יותר עבור אותה מסה. AI יכול לנהל מערכות היברידיות המשלבות גלגלי תגובה עבור מצביעה בסדר עם CMGs עבור מזחלות מהירה, או אפילו מוטות מגנטיות לייבוש.העקרונות של AI - אותם AI - חינוך כוח, דינמיקה של למידה, למידה, אבחון, זיהוי - ניתן להרחיב את השינויים האלה עם ממריצים קטנים יחסית.

אתר אינטרנט: The cc-Lunar GatewayFIRLT

[ה] תחנת ההרחבה של נאס"א:0 [Lunar GatewayFLT] 1 [תחנת], המתוכננת להזיז את הירח כנקודת מפנה למשימות חלל עמוקות, תדרוש שליטה בגישה אוטונומית על מנת לנהל קווי שמש שונים ומטוסי חלל מבקרים המציפים את האירועים.השער ישתמש במערך של גלגלי תגובה ובקר מבוסס בינה מלאכותית המתוחכמים, אשר פותחים תחת מערכת ההפעלה של מערכת ההפעלה וה-ה של מערכת ההפעלה: 3.

מסקנה: גלגלים חכמים יותר למסעות בטוחים

טכנולוגיית גלגל התגובה כבר עבודה של שליטה על הגישה לחלל במשך יותר מחצי מאה.הפיזיקה הבסיסית שלה נותרה ללא שינוי, אבל התוכנה שפקדה אותו עוברת טרנספורמציה עמוקה. אינטליגנציה מלאכותית, במיוחד למידה חיזוק וזיהוי עצמי מבוסס מכונה, מציעה נתיב לשליטה אוטונומית כי הוא מדויק יותר, הסתגלות, חזק יותר מאשר אי פעם האתגרים - אי פעם - איחוד, בטיחות חישובית, ביטחון חישובית, אבל אמיתי הוא לא ניתן לבצע ניסויים אוטונומיים, אבל לא ניתן יהיה פשוט לחשוב על ידי הדור הבא של סוללות, לא ניתן להפעיל תגובה מהירה יותר, אלא רק על ידי אימון אוטונומית, ולא ניתן לבצע את הניסויים, אלא רק על ידי אימון מהיר יותר, אלא רק על ידי אימון, לא ניתן לבצע את החלל, אלא רק על ידי אימון, לא ניתן יהיה להמשיך את הניסויים, ולא ניתן לבצע את החלל, אלא רק על ידי אימון מהיר יותר, אלא רק על ידי אימון, אלא גם על ידי אימון, ולא ניתן יהיה להמשיך את הניסויים מתקדמים של סוללות, לא ניתן לבצע את הניסויים, אלא רק תגובה מהירה יותר, ולא ניתן לבצע את הניסויים מתקדמים של סוללות, אלא רק על ידי אימון מהיר יותר, לא ניתן לבצע את זה, ולא יציב של סוללות, לא ניתן לבצע את זה, אלא רק על ידי אימון כוח פעולה מהירה יותר, אלא רק על ידי