研究人员探索了深度强化学习（RL）在航天器大气再入期间姿态控制中的应用。虽然最先进的RL方法在性能上可与传统的比例-积分-微分（PID）控制器相媲美，但其泛化能力有限。为解决此问题，该研究在训练过程中采用了动力学随机化，以提高控制器在质量、惯性张量和襟翼执行器带宽变化下的鲁棒性。与传统方法相比，由此产生的混合控制器在定义的运行包络内表现出更优越的性能和鲁棒性。 AI
影响 这项研究可能带来更具适应性和鲁棒性的航天器控制系统，提高在复杂再入场景下的任务安全性和成功率。
排序理由 该集群包含一篇学术论文，详细介绍了强化学习在特定领域的创新应用。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.31291v1 Announce Type: new Abstract: Deep reinforcement learning has the potential to solve attitude control problems more adaptively, precisely, and robustly by handling nonlinear dynamics, uncertainties, and failure cases more effectively than traditional attitude co…
Deep reinforcement learning has the potential to solve attitude control problems more adaptively, precisely, and robustly by handling nonlinear dynamics, uncertainties, and failure cases more effectively than traditional attitude control approaches. We explore reinforcement learn…