视觉感知启发的面向出舱活动的物体识别技术研究

为提高航天员出舱活动(EVA)的工效,提出了一种基于视觉感知启发的物体识别方法。首先对视觉观察到的一定区域内的图像进行采集,然后进行二值化赋范梯度的特征提取,并预测物体所在区域的矩形框,选取比该矩形框扩大一定范围的图像作为输入,传递给深度卷积神经网络CNN进行类别识别和精定位。在自建的数据集上进行测试验证,结果表明:该方法达到了88.2%的平均识别准确率,识别速率为0.047 s,可以满足舱外物体识别需求。该方法可为信息化、智能化的出舱活动任务提供参考,对提高出舱活动任务的工效具有重要意义。     

基于深度增强学习的卫星姿态控制方法

针对卫星在执行丢弃载荷或捕获目标等复杂任务时遭遇的姿态突然发生变化的问题,采用深度增强学习方法对卫星姿态进行控制,使卫星恢复稳定状态。具体来说,首先搭建飞行器的姿态动力学环境,并将连续的控制力矩输出离散化,然后采用Deep Q Network算法进行卫星自主姿态控制训练,以姿态角速度趋于稳定作为奖励获得离散行为的最优智能输出。仿真试验表明,面向空间卫星姿态控制的深度增强学习算法能够在卫星受到突发随机扰动后稳定卫星姿态,并能有效解决传统PD控制器依赖被控对象质量参数的难题。所提出的方法采用自主学习的方式对卫星姿态进行控制,具有很强的智能性和一定的普适性,在未来卫星执行复杂空间任务中的智能控制方面有着很好的应用潜力。