Reaksiyon Wheel Control Algoritmalarda Gelişen Trendler Makine Öğrenmeyi Kullanıyor

Reaksiyon tekerlekleri uzay aracı kontrolünde kritik hareketleyicilerdir, sağlam olmayan tüketimlere karşı hassas yönlendirme değişiklikleri sağlar. Geleneksel kontrol yaklaşımları lineer olmayan modeller ve orantılı donanıma dayanır. Makine öğrenimi (ML) yeni bir paradigma sunar: Telemetrinin artan karmaşıklığı, koşulları değiştirmek ve gerçek zamanlı olarak optimize etmek için uyarlanabilir.Bu makaleye göre en çok ML tekniklerini, belirsiz dağıtımlarını ve degraded donanıma doğru değerlendirmek.

Reaksiyon Wheel Kontrolünin Temelleri

Bir reaksiyon tekerleği bir ivme değişimi cihazıdır: tekerlek hızlandığında, uzay aracı gövdesi üzerinde bir tork kullanır, tekerlek eksenleri hakkında döner. Sistem, angular momentumunun korunması tarafından yönetilir ve net toklar akrep zamanına uygulanır. Çoğu reaksiyon tekerlekli sandalyeleri üç veya dört tane kırmızık piramit konfigürasyonu ile çalışır (veya üç eksenli kontrol sağlar)

Klasik kontrol mimarisi genellikle iki döngünün bir cascade'sini kullanır: Tutumlama kararlılığı için dış bir döngü (yıldızlı izciler, Güneş sensörleri veya gyroskopları) ve tekerlek hız yönetmeliği için içsel bir döngü. İç döngü genellikle istenen ve gerçek tekerlek hızına dayanan bir PID kontrolörü kullanır.

Bu kısıtlamalar daha akıllı kontrol yasaları için aramayı motive eder. Makine öğrenimi, karmaşık haritalamaları modelleme ve verilerden optimal politikalar üretebilme yeteneği ile doğal bir adaydır.

Makine Öğrenme Paradigms in Reaction Wheel Control

Dondurma öğrenme (RL), sinir ağları (NN) ve derin öğrenme (DL) en aktif olarak Gaussian süreçleri ve destek vektör makineleri gibi üç ML kategorisidir.

Optimal Politika Arama için Öğrenmek

RL'de, kontrol aracı çevre ile etkileşime giren bir ajandır - tekerlekli hızlar ve bir ödül sinyali şeklinde geri bildirim almak (örneğin, negatif tutum hatası karesi, kontrol için bir terimdir).[Dönetici, agular hız, tekerlek hızları) eylemlerine kıyasla yüksek bir doğruluk elde edebilir (sürücü komutlar) örneğin, örneğinFLT:0Schaub et al. (2022)), bazı derin Q-networkların PID'ye kıyasla yüksek doğruluk elde edebileceğini kanıtlamaktadır.

Dinamik Modelleme ve Ters Kontrol için Neural Networks

Neural ağları doğrusal olmayan işlevlerin yaklaşık olarak ortaya çıkmasını sağlar. Reksiyon tekerleği kontrolünde, iki birincil şekilde kullanılır:

A 2023 çalışması:0)Kıbrıstasyon, Kontrol ve Dinamik[Döneticiler: 1)[[Dönetici:2)[[Döneticiler)) yüksek sadakat simülasyon verileri üzerinde eğitilmiş bir sinir ağının tipik bir Dünya gözlem senaryosu sırasında ayarlanan bir PID kontrolörüne kıyasla% 30 oranında azaltıldığını gösterdi.

Anomaly Tespit ve Yanlış Tolerant Kontrol için Derin Öğrenme

Derin öğrenme mimarileri - özellikle otomatik kodlayıcılar, uzun kısa vadeli bellek ağları (LSTM) ve dönüştürücüler - reaksiyon tekerleklerinin normal modellerini öğrenerek, hız ve sıcaklık, derin modeller, kesintiye uğratabilecek bayraklar. Çıktılar daha muhafazakar bir kontrol stratejisine geçiş yapabilir veya kırmızı tekerleklere sorunsuz bir şekilde yeniden yapılandırılabilir.

Örneğin, Avrupa Uzay Ajansı'nda araştırmacılar ([Dönem:0) bir Temiz Uzay[DÜT:1), bir LSTM tabanlı hata tespit sistemi, görev kesintisini önlemeye engel olan üç yörüngeye kadar tekerlek dengesizliği tespit edebileceğini gösterdi.

ML-Driven Reaction Wheel Kontrolü

Doğru yapı algoritmalarından elde edilen değişim, politikaların hem düşük maliyetli CubeSats hem de temel görevler için zorlayıcı olan birkaç ölçülebilir fayda sunmaktadır.

Modelsiz Dinamiklere Geliştirilen Adaptability to Unmodeled Dynamics

Uzay sanatı nadiren zeminde tahmin edilebilir. Yakıt slosh, güneş serisi flexure, termal savaş ve manyetik histeriler, basit parametrik modelleri meydan okuma algoritmalarının, gerçek zamanlı gözlemlere dayanan davranışlarını otomatik olarak ayarlamalarını sağlar. Örneğin, görev sırasında politikalarını sürekli olarak düzeltebilir, bir insan-in-loop olmadan online adaptasyonu etkin bir şekilde gerçekleştirir.

Geliştirilmiş Enerji Verimliliği ve Azaltılma

Reaksiyon tekerleği kontrolü, yüksek çözünürlükte olan bir ürün tüketicidir. Geleneksel PID kontrolörleri, jeneratörleri aşırı yüklemeye eğilimlidir, araca enerji veren hızlı bir ivme kazandırarak ve yatak takmayı hızlandıran bir kontrol cihazını kullanarak, yüksek çözünürlükte yüksek çözünürlükte eğitim gören bir işlevle eğitilmiştir.

Sensör Gürültü ve Temporly Missing Feedback

Deep sinir ağları gürültülü sensör verileri üzerinde eğitilebilir ve birkaç saniye boyunca devlet tahminlerini bile gerçekleştirebilir. LSTM gibi Mimarlıklar güneş tarafından körüne veya iter atışlarında kullanılan bir RL politikası.

Meydanlar ve Uygulama Hurdles

Sözcülüğe rağmen, ML'yi uçuş-uygun kontrol sistemleri ile ilgili kontrol sistemleri ile ilgili önemli mühendislik ve düzenleyici engellerle karşı karşıya getirmek gerekir. Bu zorluklar ML-ye dayalı reaksiyon tekerleği kontrolü standart bir uygulama haline gelir.

Data Scarcity ve Sim-to-Real Gap

Gerçek reaksiyon tekerleği operasyonlarından büyük etiketlenen veri kümelerini toplamak zordur çünkü uzay aracı telemetrisi beklenmedik koşullarla karşılaşılır. Çoğu ML modelleri bu nedenle yüksek sadakat simülasyonlarında eğitilmiştir, ancak simülasyon ve gerçeklik arasındaki boşluk (gerçekten) tüm hataların kapsaması için kötü performansa yol açabilir. Domain rastgeleizasyon - inertia, sürtünme ve gürültü gibi geniş bir dizi parametre üzerinde - yardımcı olur - yardımcı olur.

Son zamanlarda yapılan çalışmalar, simülasyonda ön lisans ve sonra küçük bir gerçek uçuş verileri üzerinde iyi bir şekilde eğitim gördü. Ancak, uçuş bilgisayarları genellikle bir görev sırasında iyi bir şekilde çalıştırılması için hesaplama başı oda eksikliğinden yoksundur, bu yüzden model online sistem tanımlaması ile model tabanlı RL kullanmak zorundadır, ancak bu karmaşıklık ekliyor.

Onboard Processors'un C ⁇ Constraints of Onboard Processors

Uzaylı işlemciler - RAD750 veya yeni GR740 gibi - doğrusal CPU veya GPU'lardan daha az hesaplama gücü. milyonlarca parametreye sahip Deep sinir ağları, minimum doğrulukla boyutlandırmak için incelenebilir. FPGA tabanlı hızlandırıcılar da kontrol döngüsünde incelenebilir.

Geçerlilik, Doğrulama ve Sertifikalandırma

Uzay endüstrisi kritik kontrol işlevleri için kanıtlanabilir güvenlik garantileri gerektirir. ML algoritmaları aslında kara kutular: davranışları öğrenilir, analitik olarak elde edilmez.Bir sinir ağı kontrolörü asla küçük bir motora reaksiyona neden olmaz veya uzay aracıyı keşfedilmemiş bir moda sokur, son derece zor.

NASA ve ESA gibi düzenleyici bedenler henüz resmi standartları, eşcinsel tabanlı kontroller için mand veya yüksek değerli görevler için serbest bırakmamış durumda.Amental kabul, ilk önce ikincil maaş yüklerinde veya düşük maliyetli CubeSats'ta meydana gelecektir, risk toleransı daha yüksektir.For mürettebatlı bir uzay aracı için, ML'ye bağlı olarak kontrol edilen bir yaklaşım, yasal olarak kontrol altına alınması gereken en uygun yoldur.

Açıklanabilirlik ve Diagnosability

Bir ML tabanlı kontrol beklenmedik bir komut üretirken, mühendisler neden açıklanabilir AI yöntemleri (SHAP, LIME, bütünleşik gradyanlar) giriş özelliklerine karar verebilirler, ancak hesaplamalı bir yük ekleyebilir ve henüz güvenilir değildir.

Future Yol ve Araştırma Frontiers

Önümüzdeki on yıl muhtemelen ML'nin reaksiyon tekerleği kontrolüne kademeli olarak infüzyonunu görecek, her iki algoritma ve donanımda da ilerlemeler tarafından yönlendirilecektir.

Hybrid Control Architectures

Çoğu pragmatik yaklaşım, ML'yi geleneksel bir kontrol çerçevesi içinde gömmektir. Örneğin, bir PID kontrolörü, sabit kısıtlamalar yoluyla güvenli bir şekilde hesaplamak için eğitilmiş küçük bir sinir ağı tarafından hesaplanabilir bir kazanç elde edebilir. Alternatif olarak, model tahminleyici bir kontrolörü, optimizasyon çözümünde öğrenilen dinamik modeli kullanabilir.

Onboard Sürekli Öğrenme

Geleceğin uzay işlemcileri, daha önce öğrenilmiş davranışları unutmadan yeni rahatsızlıklara adapte edilmesine izin verebilir. Bu, önümüzdeki beş yıl içinde bir CubeSat misyonunda beklenen ilk kanıtlı bir araştırma alanıdır.

Simülasyona Dayalı Eğitim ve Dijital Twins

Yüksek sadakat dijital ikizleri reaksiyon tekerleği meclisleri – ısıtıcı termal etkiler, mikro-vibrasyon ve mekanik bir aşınma - neredeyse sınırsız eğitim verileri tedarik etmek için geliştirilebilir. Eğitim tamamen simülasyonda yapılabilir, sonra politika hafif bir sinir ağı ile bir araya getirilir. [U.S. Air Force Research Laboratory’s "Space Tools Manager" bu boru hattını bir reaksiyon tekerleği kontrol problemine sahiptir, simülasyondan laboratuvar teste kadar sıfır-shot transferine ulaşabilir.(FLT:0).

Model Tahminsel Kontrolle Entegrasyon

Model tahmin edici kontrol (MPC) zaten belirli bir manevra manevraları için kullanılan çeşitli uzay aracında kullanılır (örneğin, hassas aletleri korumak için kısıtlamalar işaret eder). Farklı öğrenilmiş dinamik model ile birlikte MPC'nin hesaplama maliyeti, daha doğru ve tekrar hesaplamalı MPC'nin ana engelidir, ancak gerçek zamanlı çözücüler şimdi test edilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi reaksiyon tekerleği kontrolü için bir panacea değil, ancak önümüzdeki beş ila on yıl içinde operasyonel uydular üzerinde somut gelişmeler sunuyor: Daha hafif modeller için daha hafif modeller, düşük riskli görevlerde güvenilirliğini kanıtlıyor ve sertifikalandırmak için gerekli olan resmi doğrulama araçları inşa edebiliriz.