两篇新研究论文探讨了用于在轨服务任务的高级强化学习技术。第一篇论文介绍了一种使用近端策略优化（Proximal Policy Optimization）的概率约束方法，用于对航天器检查视点进行排序，确保在指定的风险预算内维持安全裕度。第二篇论文侧重于多目标检查，采用分布强化学习（Distributional Reinforcement Learning），特别是分位数回归深度Q网络（Quantile-Regression Deep Q-Network），以实现风险敏感的任务规划，平衡预期回报与结果变异性。 AI
影响 这些论文通过开发更安全、更具适应性的在轨服务和检查方法，推动了AI在关键太空行动中的作用。
排序理由 两篇在arXiv上发表的学术论文，详细介绍了用于太空任务规划的新型AI方法。
- Adam Abdin
- Clohessy--Wiltshire
- Earth
- Edelbaum
- Galileo Ai
- Proximal Policy Optimization
- Quantile-Regression Deep Q-Network
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
