Realizing Stabilized Landing for Computation-Limited Reusable Rockets: A Quantum Reinforcement Learning Approach

要約

再利用可能なロケットの出現は宇宙探査に新時代の到来を告げ、衛星打ち上げコストを大幅に削減しました。
従来のロケットは使い捨てでしたが、繰り返し使用できる再利用可能なロケットの設計により、宇宙ミッションの財政力学に革命が起こりました。
再利用可能なロケットの最も重要な段階は着陸段階であり、安全な回収のために驚異的な速度と姿勢を管理する必要があります。
このタスクの複雑さは、特に精度と適応性の点で、制御システムに新たな課題をもたらします。
比例・積分・微分 (PID) コントローラーのような古典的な制御システムは、動的なシステムの変化に適応する柔軟性に欠けており、コントローラーの再設計にコストと時間がかかります。
この論文では、有望な代替案として、再利用可能なロケットの制御システムへの量子強化学習の統合について検討します。
古典的な強化学習とは異なり、量子強化学習は重ね合わせて存在できる量子ビットを使用するため、より効率的な情報エンコードが可能になり、必要なパラメータの数が削減されます。
これにより、計算効率が向上し、メモリ要件が軽減され、パフォーマンスがより安定して予測可能になります。
再利用可能なロケットは軽くなければならないという性質上、重いコンピューターを搭載することはできません。
再利用可能なロケットのシナリオでは、パラメーターが少ないためメモリ要件が軽減される量子強化学習が優れたソリューションとなります。

要約(オリジナル)

The advent of reusable rockets has heralded a new era in space exploration, reducing the costs of launching satellites by a significant factor. Traditional rockets were disposable, but the design of reusable rockets for repeated use has revolutionized the financial dynamics of space missions. The most critical phase of reusable rockets is the landing stage, which involves managing the tremendous speed and attitude for safe recovery. The complexity of this task presents new challenges for control systems, specifically in terms of precision and adaptability. Classical control systems like the proportional-integral-derivative (PID) controller lack the flexibility to adapt to dynamic system changes, making them costly and time-consuming to redesign of controller. This paper explores the integration of quantum reinforcement learning into the control systems of reusable rockets as a promising alternative. Unlike classical reinforcement learning, quantum reinforcement learning uses quantum bits that can exist in superposition, allowing for more efficient information encoding and reducing the number of parameters required. This leads to increased computational efficiency, reduced memory requirements, and more stable and predictable performance. Due to the nature of reusable rockets, which must be light, heavy computers cannot fit into them. In the reusable rocket scenario, quantum reinforcement learning, which has reduced memory requirements due to fewer parameters, is a good solution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google