Spacecraft inertial parameters estimation using time series clustering and reinforcement learning

要約

この論文では、宇宙船の慣性パラメータが運用中に変化する場合に、宇宙船の慣性パラメータを推定するための機械学習アプローチを紹介します。
ペイロードの複数回の展開、付属物やブームの展開、推進剤の消費、さらには軌道上での整備やデブリ除去作業中も同様です。
機械学習アプローチでは、時系列クラスタリングと、強化学習によって生成された最適化された作動シーケンスを使用して、異なる慣性パラメーター セット間の区別を容易にします。
提案された戦略のパフォーマンスは、複数の衛星配備システムの場合と比較して評価され、アルゴリズムがそのような種類の運用における一般的な外乱に対して回復力があることを示しています。

要約(オリジナル)

This paper presents a machine learning approach to estimate the inertial parameters of a spacecraft in cases when those change during operations, e.g. multiple deployments of payloads, unfolding of appendages and booms, propellant consumption as well as during in-orbit servicing and active debris removal operations. The machine learning approach uses time series clustering together with an optimised actuation sequence generated by reinforcement learning to facilitate distinguishing among different inertial parameter sets. The performance of the proposed strategy is assessed against the case of a multi-satellite deployment system showing that the algorithm is resilient towards common disturbances in such kinds of operations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google