26430

تعيين موقعيت نسبي ماهواره‌ها در آرايش پروازي به كمك يادگيري تقويتي و فيلتر كالمن

كارشناسي ارشد

مهندسي فناوري ماهواره

1397

1400/08/29

دكتر حسين بلندي

فناوري هاي نوين

چكيده تعيين موقعيت هر ماهواره در آرايش پروازي به منظور انجام بهتر ماموريت‌هاي محوله به آن و جايگيري مناسب هر ماهواره در موقعيت مطلوب از اهميت ويژه‌اي در آرايش پروازي برخوردار است و تلاش محققان بر اين است كه بتوان با استفاده از روش‌هاي تعيين و تخمين گوناگون موجود نظير فيلتر كالمن و بهبود اين روش‌ها با بهره گيري از ديگر الگوريتم ها و روش ها نظير يادگيري تقويتي، هوش مصنوعي، ژنتيك و يا الگوريتم ازدحام ذرات، دقت تعيين و تخمين موقعيت را بهبود بخشند. براي تعيين موقعيت ماهواره‌ها روش‌هاي مختلف جبري و ديناميكي وجود دارد. مسئله روش‌هاي تخمين ديناميكي براي تخمين موقعيت وجود دارند كه مبتني بر فيلترهاي ديناميكي نظير كالمن مي‌باشند. الگوريتم‌ها و روش‌هاي زيادي مبتني بر اين فيلترها در چند دهه اخير براي ناوبري ماهواره‌ها استفاده شده‌اند. همچنين به دليل كوپل بودن ديناميك مداري و وضعيت و نيز وابستگي برخي از الگوريتم‌هاي تعيين وضعيت در آرايش پروازي به موقعيت دقيق ماهواره، تعيين دقيق مدار و موقعيت ماهواره اهميت زيادي پيدا مي‌كند و در اين پروژه تلاش بر اين است تا بتوان با استفاده از روش يادگيري تقويتي دقت تخمين موقعيت و به تبع آن دقت تعيين موقعيت ماهواره در آرايش پروازي را بهبود بخشيد. روش پياده‌سازي شده اين پايان‌نامه براي تعيين موقعيت ماهواره در آرايش پروازي، بهره‌گيري و ادغام فيلتر كالمن بي‌اثر (UKF ) با يادگيري تقويتي (RL) به منظور بهبود تخمين حالات موقعيت و سرعت در فرايند تعيين موقعيت است. همچنين نشان داده شده است كه الگوريتم پيشنهاد شده داراي عملكرد بهتري از فيلتر كالمن بي‌اثر سنتي و فيلتر كالمن توسعه يافته است و در بهبود تخمين و تعيين موقعيت و سرعت نسبي ماهواره‌هاي موجود در يك آرايش پروازي و كمك به ناوبري هرچه بهتر ماهواره‌هاي آرايش پروازي بسيار كارا و موثر است.

1401/02/16

Relative Position Determination of Satellites in Formation Flying with Kalman Filter and Reinforcement Learning

11/20/2022 12:00:00 AM

Abstract: There are many algebraic and dynamic approaches to satellite positioning. Kalman filtering methods are very common in spacecraft position determination. During recent decades, many algorithms and methods based on these filters have been introduced for satellite position estimation. Moreover, due to the coupling between orbital and Attitude dynamics, and also the dependency of some attitude determination algorithms to the precise position of the satellites in formation flying, it is critical to precisely determine the orbit and position of the satellite. This Thesis adopts the reinforcement learning (RL) method to improve the position estimation The method implemented in this paper for positioning of formation flying satellite is to exploit and merge the Unscented Kalman Filter (UKF) with Reinforcement Learning (RL) to find the optimal value of the process and measurement noise covariance matrices and improve the state estimation of position and velocity of the satellites. The proposed filter is simulated and the results are compared with conventional Kalman filters to demonstrate the effectiveness of this method.

آرايش پروازي , تعيين موقعيت نسبي ماهواره ها , يادگيري تقويتي , فيلتر كالمن بي اثر

Formation Flying , Relative Positioning , Reinforcement Learning , Unscented Kalman Filter

Mohammad Hossein Nemati

Dr. Hossein Bolandi