基于ai技术指导导航和控制(GNC)系统的航天器和地面,空中和水下车辆

机器人系统的设计是为了扩展到我们的空间和其他极其严酷的环境下,侦察未知的世界或地区由人类,无法访问和操纵资产和资源。强烈的限制这些系统的操作自动化程度低,在计算能力和人际互动和干预的需要。先进的传感和感知是提高性能的基础资产致力于人类和机器人探索。

可视化数据处理方法和工具是至关重要的在设计的机器人系统托管在航天器和地面,空中和水下车辆。分析了传感器测量获得的检索所需的信息资产操作更好地确定其构成和提高路径规划为未来的任务。传统的技术执行计划任务在于数据和理论/半经验模型的结合。行星探测车的定位,例如,通过算法流程测距仪数据占一个精确建模或立体图象的运动和/或动力方程。宇宙飞船的导航是由分析深太空无线电跟踪数据所获得的地面站。提高卫星的轨迹重建,额外的数据包括高程和光学测量处理并结合无线电观测。

然而,这些方法计算昂贵,防止从一个自动控制回路,因为有限的车载CPU资源。这些传统算法的另一个重要缺点是缺乏知识的物理定律规定一个特定的任务。基于ai的应用导航和路径规划算法的深空探测和资产致力于探索严酷的环境下就基本能够可靠和安全的自治系统的实现和发展。

人工智能(AI)地址相关的主要问题指导、导航和控制(GNC)通过选择算法计划是基于神经网络(NN)。监督和非监督机器学习(ML)算法采用一种初步的神经网络训练,没有对标签输入/输出,分别。无监督学习的收益自然模式的检测在神经网络训练数据集处理。这些技术非常适合空间和机器人应用程序的动态模型是不知道。

强化学习是一个互动的ML范例学习控制策略结束最终系统转换函数(即学习。动力学模型),来指导它的定义。的初步知识的动态模型预测真正的机器人系统的进化并不总是必要的,但可以帮助产生低成本控制政策,并能够精确算法的收敛。决策和操作机器的资产也扮演多分类问题。深度学习(DL),特别是,卷积神经网络(cnn)已被证明是最有效的架构来处理图像分类和特征提取。

这个研究课题的主要范围是专注于人工智能技术的应用指导导航和控制(GNC)系统的航天器和地面,空中和水下车辆。轨道的自主导航方法和表面资产被鼓励。潜在的论文主题包括,但不限于:
使用计算机视觉(CV)原型航天器的导航系统和表面,空中和水下车辆;
——基于深学习算法对地形分类和避障;
- ML算法功能检测在极其恶劣的环境中;
——VSLAM路径规划算法;
——基于模型的强化学习(MBRL)自主导航。

主题编辑罗伯特·Capobianco受雇于索尼AI。所有其他主题编辑声明没有利益冲突,研究课题。

关键字:深度学习、行星探测器、导航、路径规划、计算机视觉、指导导航和控制(GNC)系统

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。