Atmospheric Re-Entry

深度强化学习提升航天器再入控制性能

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。