Deep Reinforcement Learning for Autonomous Spacecraft Inspection using Illumination

要約

この論文は、強化学習 (RL) で訓練されたニューラル ネットワーク制御システムをコントローラーとする光学センサーを備えた単一の自由飛行副宇宙船を使用して、軌道上の宇宙船検査の問題を調査します。
この研究では、十分に照明された光学データの取得を促進するために、太陽による検査対象の宇宙船 (チーフ) の照明を考慮しています。
エージェントのパフォーマンスは、統計的に効率的なメトリクスを通じて評価されます。
結果は、RL エージェントが、低レベルのアクションのみを使用して、シミュレートされた環境で検査されたポイントの照明を最大化しながら、チーフ上のすべてのポイントを正常に検査できることを示しています。
RL の確率的性質により、エージェントのパフォーマンスのより総合的な測定値を取得するために、10 個のランダム シードを使用して 10 個のポリシーがトレーニングされました。
これら 10 個のシードについて、最終モデルの検査ポイントの四分位平均 (IQM) パーセンテージは 98.82% でした。

要約(オリジナル)

This paper investigates the problem of on-orbit spacecraft inspection using a single free-flying deputy spacecraft, equipped with an optical sensor, whose controller is a neural network control system trained with Reinforcement Learning (RL). This work considers the illumination of the inspected spacecraft (chief) by the Sun in order to incentivize acquisition of well-illuminated optical data. The agent’s performance is evaluated through statistically efficient metrics. Results demonstrate that the RL agent is able to inspect all points on the chief successfully, while maximizing illumination on inspected points in a simulated environment, using only low-level actions. Due to the stochastic nature of RL, 10 policies were trained using 10 random seeds to obtain a more holistic measure of agent performance. Over these 10 seeds, the interquartile mean (IQM) percentage of inspected points for the finalized model was 98.82%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google