【标题】Reinforcement learning in spacecraft control applications: Advances, prospects, and challenges

【作者团队】Massimo Tipaldi, Raffaele Iervolino, Paolo Roberto Massenio

【发表日期】2022.8.18

【论文链接】https://www.sciencedirect.com/science/article/pii/S136757882200089X

【推荐理由】本文介绍并分析了基于强化学习 (RL) 的解决航天器控制问题的方法。考虑了不同的应用领域，例如航天器登陆天体的制导、导航和控制系统、星座轨道控制等。讨论了 RL如何解决设计具有高度自主机载能力的航天器和实施对系统不确定性和适应不断变化的环境具有鲁棒性的控制器（即 RL 智能体）的新兴需求。对于每个应用领域，RL 框架的核心元素（例如，奖励函数、RL 算法和用于 RL 智能体训练的环境模型）进行了讨论，旨在通过 RL 框架为航天器控制问题的制定提供一些指导。同时，还分析了 RL 在真实空间项目中的采用情况。识别和讨论了不同的开放点，例如，用于 RL 智能体训练的高保真模拟器的可用性。通过这种方式，提出了对未来工作的建议，旨在缩小学术界提出的解决方案与航天工业的需求/要求之间的技术差距。

内容中包含的图片若涉及版权问题，请及时与我们联系删除