通过改进基于遗传算法的深度强化学习,使用混合确定性-随机算法来改进可重复使用的发射器的着陆指导
Larasmoyo Nugroho1,2, Rika Andiarti2, Rini Akmeliawati3
1Physics Dept., Universitas Indonesia, Depok, Indonesia.
PloS one
|February 29, 2024
概括
一个新的HYDESTOC算法通过混合深度强化学习和比例-整数-导数方法来提高车辆的着陆精度. 这种方法可以在低推进剂使用和高可靠性的情况下实现精确的着陆.
科学领域:
- 机器人和控制系统 机器人和控制系统
- 人工智能的人工智能
- 航空航天工程 航空航天工程
背景情况:
- 像PbGA-DDPG这样的深度增强学习 (DRL) 代理在复杂的环境中提供了多功能车辆控制.
- 现有的DRL方法往往缺乏某些应用所需的精确着陆精度.
- 确定性控制器虽然准确,但可能不那么适应或高效.
研究的目的:
- 为了提高车辆着陆的终端距离精度.
- 在着陆阶段保持低推进燃料消耗.
- 开发一个可靠的自动着陆控制算法.
主要方法:
- 介绍了HYDESTOC (混合决定性-随机) 算法.
- 深度决定性政策梯度 (DDPG) 与比例-积分-导数 (PID) 控制的整合.
- 广泛的交叉验证的蒙特卡洛模拟用于绩效评估.
主要成果:
- 达到了不到0.02米的失误距离.
- 确保着陆速度低于0.4米/秒.
- 经过证明的定位时间为20秒或更短,具有无故障性能.
结论:
- 与以前的DRL方法相比,HYDESTOC算法显著提高了着陆精度.
- 这种混合方法在自动着陆中提供了准确性,效率和可靠性之间的平衡.
- 该方法已被验证为准确和安全的车辆终端指导.
