ترجمه فارسی مقاله تخمین پارامترهای اینرسی فضاپیما با استفاده از خوشه‌بندی سری‌های زمانی و یادگیری تقویتی

چکیده

This paper presents a machine learning approach to estimate the inertial parameters of a spacecraft in cases when those change during operations, e.g. multiple deployments of payloads, unfolding of appendages and booms, propellant consumption as well as during in-orbit servicing and active debris removal operations. The machine learning approach uses time series clustering together with an optimised actuation sequence generated by reinforcement learning to facilitate distinguishing among different inertial parameter sets. The performance of the proposed strategy is assessed against the case of a multi-satellite deployment system showing that the algorithm is resilient towards common disturbances in such kinds of operations.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک رویکرد یادگیری ماشین برای برآورد پارامترهای اینرسی یک فضاپیما در مواردی که در حین عمل تغییر می کنند ، ارائه می دهد ، به عنوان مثال.استقرار چند بار بارهای ، آشکار شدن زائده ها و رونق ها ، مصرف پیشرانه و همچنین در هنگام سرویس دهی در مدار و عملیات حذف آوار فعال.رویکرد یادگیری ماشین از خوشه بندی سری زمانی به همراه یک توالی فعال سازی بهینه سازی شده توسط یادگیری تقویت شده برای تسهیل تمایز بین مجموعه های مختلف پارامتر اینرسی استفاده می کند.عملکرد استراتژی پیشنهادی در برابر مورد یک سیستم استقرار چند ماهواره ارزیابی می شود که نشان می دهد این الگوریتم نسبت به اختلالات رایج در چنین نوع عملیات مقاومت می کند.