Ein autonomer, auf Bildverarbeitung basierender Algorithmus wurde entwickelt, um die Position und Geschwindigkeit von Raumsonden in interplanetaren Transfers zu bestimmen, indem Beobachtungen von Planeten aus Weltraumbildern extrahiert werden.
Diese Arbeit präsentiert eine neuartige, nicht-konservative Kollisionsvermeidungstechnik, die auf konvexer Optimierung basiert, um den Abstand zwischen Raumfahrzeugen und Raumstrukturen für autonome Montageoperationen im Orbit zu bestimmen.
Anwendungssandboxing ist ein effektiver Ansatz, um die Sicherheit von Kleinsatelliten zu verbessern, indem kritische Komponenten isoliert und vor Angriffen geschützt werden.
Physik-informierte neuronale Netze (PINNs) kombinieren physikalische Modelle mit tiefen neuronalen Netzen, um die Gesamtdynamik eines Satelliten, einschließlich unmodellierter Antriebskräfte, genau zu beschreiben und vorherzusagen.
Die Lattice-stückweise affine Approximation der expliziten modellprädiktiven Regelung ermöglicht eine deutlich effizientere Onlineberechnung bei ähnlicher Leistung wie die lineare modellprädiktive Regelung und geringerem Treibstoffverbrauch als die LQR-Methode.
Die Lattice-stückweise affine Approximation der expliziten modellprädiktiven Regelung ermöglicht eine deutlich geringere Online-Rechenleistung bei nahezu gleicher Leistung wie die lineare Online-MPC-Regelung und einen geringeren Treibstoffverbrauch als die LQR-Methode für die Lageregelung von Satelliten.
Verschiedene Deep-Learning-Architekturen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Transformer-basierte Modelle werden verglichen, um ihre Effektivität bei der Erkennung von Anomalien in Telemetriedaten von Raumfahrzeugen zu bewerten.
Verschiedene Deep-Learning-Architekturen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Transformer-basierte Modelle werden verglichen, um ihre Effektivität bei der Erkennung von Anomalien in Telemetriedaten von Raumfahrzeugen zu bewerten.
Eine neue robuste Landungsführung, MSS-OTALG, wird entwickelt, die eine treibstoffoptimale Präzisions-Weichlandung unter Vermeidung von Gelände ermöglicht, selbst bei äußeren Störungen und Schubeinschränkungen.
Ein neuartiger Algorithmus auf Basis von Optimierung erster Ordnung, der die nichtkonvexen Beschränkungen in Problemen der optimalen Treibstoffsteuerung für Landungen mit Triebwerken direkt handhabt, ohne auf Relaxierung oder lineare Approximation zurückgreifen zu müssen.