空间挠性结构的Stewart平台主动基座振动控制

研究基于Stewart平台主动基座的挠性结构振动控制。首先,建立含Stewart平台主动基座的柔性梁刚柔耦合动力学模型;随后,在模态空间上分别针对挠性结构的一阶和二阶模态设计由线性扩张状态观测器(LESO)和PD控制器组成的自抗扰控制器(ADRC);最后,基于独立模态控制(IMSC)中的模态滤波器从物理坐标中提取模态坐标,建立振动主动控制实验系统,基于模态空间的自抗扰控制方法完成挠性结构的前两阶模态振动主动控制实验。研究结果表明,利用Stewart平台作为主动基座,采用自抗扰控制方法实现挠性结构的振动抑制是一种高效的振动主动控制方法,在空间振动主动控制领域具有广阔的应用前景。     

Ground maneuver for front-wheel drive aircraft via deep reinforcement learning

The maneuvering time on the ground accounts for 10%–30% of their flight time, and it always exceeds 50% for short-haul aircraft when the ground traffic is congested. Aircraft also contribute significantly to emissions, fuel burn, and noise when taxiing on the ground at airports. There is an urgent need to reduce aircraft taxiing time on the ground. However, it is too expensive for airports and aircraft carriers to build and maintain more runways, and it is space-limited to tow the aircraft fast using tractors. Autonomous drive capability is currently the best solution for aircraft, which can save the maneuver time for aircraft. An idea is proposed that the wheels are driven by APU-powered (auxiliary power unit) motors, APU is working on its efficient point; consequently, the emissions, fuel burn, and noise will be reduced significantly. For Front-wheel drive aircraft, the front wheel must provide longitudinal force to tow the plane forward and lateral force to help the aircraft make a turn. Forward traction effects the aircraft’s maximum turning ability, which is difficult to be modeled to guide the controller design. Deep reinforcement learning provides a powerful tool to help us design controllers for black-box models; however, the models of related works are always simplified, fixed, or not easily modified, but that is what we care about most. Only with complex models can the trained controller be intelligent. High-fidelity models that can easily modified are necessary for aircraft ground maneuver controller design. This paper focuses on the maneuvering problem of front-wheel drive aircraft, a high-fidelity aircraft taxiing dynamic model is established, including the 6-DOF airframe, landing gears, and nonlinear tire force model. A deep reinforcement learning based controller was designed to improve the maneuver performance of front-wheel drive aircraft. It is proved that in some conditions, the DRL based controller outperformed conventional look-ahead controllers.     

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。     

基于鲁棒控制方法的卫星姿态控制

针对卫星姿态控制系统 ,建立了简化的线性数学模型 ,利用鲁棒控制方法设计了卫星姿态控制律 ,由于在设计中考虑了建模过程中的简化而带来的不确定性 ,因而基于线性模型所设计的控制律能够应用于非线性卫星姿态系统的控制     

智能结构及其在振动主动控制中的应用

针对航天挠性结构的振动控制 ,介绍了智能结构的提出、概念、诞生原因以及作为智能结构中的传感和驱动元件的各种智能材料的特点 ,着重阐述了梁、板和壳结构的振动控制中应用的压电材料的国内外研究状况和采用的控制策略 ,并对智能结构在主动振动控制应用研究的问题进行了评述 ,如传感器 /驱动器的优化配置问题及准则 ,柔性结构的控制溢出问题及抑制方法。最后针对航天器的结构振动控制 ,展望了今后的研究与发展方向     

磁悬浮控制的主动式隔振平台研究

磁悬浮隔振是一种新型的电磁力控制主动式隔振技术，在介绍磁悬浮隔振平台的基本原理基础上，分析了磁悬浮隔振的机理和特性，推导了其动态模型，论述了磁悬浮隔振控制策略，进行了隔振效果的计算机仿真，并以一个磁悬浮隔振试验装置为对象，进行了试验和测试。     

SAR校准常用参考目标分析和比较

从合成孔径雷达(SAR)校准的基本原理出发,对SAR校准参考目标的一般特性要求进行了归纳总结。着重分析常用的无源角反射器和有源雷达校准器(ARC)的构造和电磁特性,并对它们的优缺点进行了比较。指出ARC是从性能来讲最理想的SAR校准参考目标。     

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。     

基于深度学习的语义分割算法综述

图像的语义分割是对图像中的每个像素标注其所属的类别。在航天领域,语义分割技术可用于定位航天器及其零部件,为航天器故障排除、部件维修、太空垃圾清理等在轨服务创造条件。近几年,全部或部分使用深度学习时,语义分割的效果获得了很大的提升。本文对基于深度学习的语义分割算法进行综述。首先介绍常用的数据集和通用的深度神经网络,随后对两类具有重大实用意义的分割算法:编码器-解码器算法和整合上下文信息算法进行总结。最后对语义分割的发展进行了展望。