基于启发强化学习的大规模ADR任务优化方法

随着航天事业的蓬勃发展,空间碎片尤其是低轨碎片已成为航天任务不可忽视的威胁。考虑到碎片清除的紧迫性和成本,低轨多碎片主动清除（ADR）技术成为缓解现状的必要手段。针对大规模多碎片主动清除任务规划问题,首先,基于任务规划的最大收益模型,提出一种强化学习（RL）优化方法,并依照强化学习框架定义了该问题的状态、动作以及收益函数;其次,基于高效启发因子,提出一种专用的改进蒙特卡罗树搜索（MCTS）算法,该算法使用MCTS算法作为内核,加入高效启发算子以及强化学习迭代过程;最后,在铱星33碎片云的全数据集中检验了所提算法有效性。与相关MCTS变体方法以及贪婪启发算法对比,所提方法能在测试数据集上更高效地获得较优规划结果,较好地平衡了探索与利用。     

机器学习辅助湍流建模在分离流预测中的应用

数据驱动湍流建模是近年来发展的提高雷诺平均N-S方程预测精度的有效手段,通过机器学习算法能够从高置信度数据中自动提取特征,建立准确的从平均流动特征到雷诺应力的预测模型。针对高雷诺数下积冰翼型绕流这一类典型的复杂流动分离问题,基于此前研究者提出的机器学习预测框架,从输入输出特征选择和翼型绕流中数据分布特性两个方面出发,对机器学习预测结果的光滑性和准确性进行改善。提出了基于雷诺应力张量分析和流动特征辨识的输入特征选择准则;提出了局部区域建模方法以及基准模型和机器学习预测模型混合的代入计算方法。将改进方法应用于积冰翼型绕流问题之中,结果表明改进的方法能够准确给出训练集和预测集上的雷诺应力结果,并且代入平均流计算可以得到和真实分布更加接近的流动和机翼表面压力分布。     

一种基于间接健康因子的锂离子电池剩余使用寿命预测方法

针对锂离子电池实际运行过程中容量数据无法在线获取,退化特征存在局部再生现象,剩余使用寿命（RUL）无法通过单一模型准确预测的问题,提出一种基于间接健康因子（HI）的锂离子电池RUL预测方法。首先根据在线数据构建并筛选最优的HI,然后建立基于遗传算法优化的极限学习机（GA-ELM）关系模型,再通过变分模态分解（VMD）解耦间接HI各分量,并通过相关向量机（RVM）进行趋势跟踪与预测,最后将预测结果输入到GA-ELM关系模型中得到电池容量预测值。与NASA PCoE数据集的验证对比表明,文章所用方法在趋势预测和RUL预测结果上均优于其他对比方法,可以实现锂离子电池RUL的准确预测。     

基于LightGBM的卫星飞轮温度预测

为保障卫星的正常在轨运行,地面系统需要对卫星运行状态进行监控预警,其中对卫星各系统的温度监控尤为重要.温度不仅直接反映卫星系统的健康状态,更会对系统器件的性能和寿命造成影响.飞轮作为卫星姿态控制系统的重要组件,其温度变化是识别姿态控制系统状态的重要信息.卫星飞轮温度的预测与预警对卫星在轨稳定运行具有重要意义.本文基于某在轨卫星遥测数据,结合空间环境数据,应用LightGBM机器学习框架研究建立梯度提升决策树模型,对卫星飞轮温度进行预测.经与实际遥测温度值进行对比验证,预测精度可以满足对卫星飞轮温度的监视需求.研究结果可应用于地面系统,对卫星姿态控制系统可能发生的温度异常进行预警,使地面运控人员能够提前规避风险,保障卫星的安全在轨运行.     

Deep learning enabled localization for UAV autolanding

This article concentrates on ground vision guided autonomous landing of a fixed-wing Unmanned Aerial Vehicle (UAV) within Global Navigation Satellite System (GNSS) denied environments. Cascaded deep learning models are developed and employed into image detection and its accuracy promoting for UAV autolanding, respectively. Firstly, we design a target bounding box detection network BboxLocate-Net to extract its image coordinate of the flying object. Secondly, the detected coordinate is fused into spatial localization with an extended Kalman filter estimator. Thirdly, a point regression network PointRefine-Net is developed for promoting detection accuracy once the flying vehicle’s motion continuity is checked unacceptable. The proposed approach definitely accomplishes the closed-loop mutual inspection of spatial positioning and image detection, and automatically improves the inaccurate coordinates within a certain range. Experimental results demonstrate and verify that our method outperforms the previous works in terms of accuracy, robustness and real-time criterions. Specifically, the newly developed BboxLocate-Net attaches over 500 fps, almost five times the published state-of-the-art in this field, with comparable localization accuracy.     

基于YOLOv5的红外目标检测算法

针对红外图像的特点,提出了一种YOLOv5-IF算法,采用基于残差机制的特征提取网络,实现了不同特征层之间信息的高效交互,能够得到更丰富的目标语义信息。通过改进YOLOv5的检测方案,增加更大尺度的检测头,有效提升了红外图像中小目标的检测概率。针对计算平台资源有限、算法实时性要求高等问题,设计了Detection Block模块,并由此构建了特征整合网络,该模块不仅能提升算法检测精度,还可有效缩减模型参数量。在FLIR红外自动驾驶数据集上,该算法的平均准确率(mAP)为74%,参数量仅19.5MB,优于现有算法。     

基于深度强化学习的高超声速飞行器动态面控制方法

针对高超声速飞行器控制问题,通过将深度强化学习与动态面控制方法相结合,设计了智能姿态控制算法。首先,基于模型先验知识,采用传统的动态面控制方法设计控制器结构。然后,考虑跟踪误差和控制量幅值约束的情况下,采用深度学习算法完成对控制器参数的智能寻优,代替传统设计中的人工调参试错过程。为提升训练效果,在奖励函数中引入了控制量变化率。最后,通过数值仿真验证了所设计控制方法的有效性与鲁棒性。     

深度学习技术在空间激光通信中的应用

与射频通信相比,空间激光通信具有传输速率高、保密性能强、终端功耗低等优点,目前已成为当前通信领域的一个研究热点。同时,空间激光通信也面临着一些严峻的技术挑战,如大气湍流导致空间激光通信的信道情况十分复杂,复杂的信道会引发信号光强度起伏剧烈,信标光跟踪与瞄准困难,接收端的信号光场波前畸变严重等。为了提升空间激光通信在复杂信道环境中的性能,学者们将深度学习技术引入到空间激光通信系统中。多项研究表明,深度学习在空间激光通信的诸多方面表现出了优越的信息处理能力。对近年来深度学习技术在空间激光通信信号处理与检测,信标光捕获与跟踪以及波前畸变探测与校正等方面的应用做一全面梳理,并对用于空间激光通信的深度学习技术的前景进行展望。     

组合动力运载器上升段轨迹智能优化方法

针对组合动力水平起飞可重复使用运载器,开展了上升段轨迹优化模型设计与轨迹优化方法研究。首先,针对跨大空/速域飞行须采用多种动力形式协调工作这一问题,考虑动力/气动/轨迹/指标间的复杂耦合关系,建立了运载器动力和气动模型。其次,为降低轨迹优化问题的求解难度,设计了一种全新的飞行剖面,实现了关键优化参数的提取和攻角约束的自动满足,减少了优化算法需要处理的约束数量。然后,提出了一种改进的粒子群优化(PSO)算法完成求解;在收敛性分析的基础上,引入强化学习机制对PSO寻优过程进行自主智能控制,从本质上提升了PSO算法的求解效率。最后通过数学仿真验证了方法的正确性和有效性。