كنترل فاز فرود يك ماه نشين مبتني بر اصول يادگيري ماشين

امروزه با توجه به افزايش چشم گير سفرهاي فضايي و امكان فرود بر روي سيارات ديگر و همچنين شروع عصر سفرهاي تفريحي فضايي، مبحث فرود نرم و ايمن وسايل نقليه فضايي همچنان از موضوعات چالش برانگيز اين حيطه محسوب مي شود. از اين رو برنامه ريزي پروازي بهينه متناسب با هر فاز از ماموريت مد نظر طراحان سيستم هاي سيستم فضا پيما است. در اين مقاله سعي شده است در ابتدا با بررسي يك راهكار حل تحليلي براي فرود نرم و عمودي يك ماه نشين، ملزومات كنترلي اين حركت محاسبه و طي مطالعه اي موردي شبيه سازي شود. سپس با توليد داده براي يافتن كنترل بهينه فرود نرم ماه نشين در فضاي شبيه سازي توسعه داده شده، يك مدل شبكه عصبي براي پيشبيني زمان بهينه شروع به احتراق تراستر سيستم آموزش داده مي شود. داده توليد شده با استفاده از روش هاي متفاوتي مانند سعي و خطا و الگوريم هاي جست و جو توليد مي شود و از خروجي بدست آمده از پاسخ تحليلي استفاده نميشود. از ويژگي هاي مهم اين راهكار در مقايسه با حل تحليلي، عدم نياز به داشتن مقادير داده هاي ورودي (سرعت و ارتفاع ) در تمامي لحظات فاز فرود است. در مطالعه موردي صورت پذيرفته در اولين تلاش براي آموزش اين مسئله، تنها از يك نوع تعريف تابع هزينه براي شبكه استفاده شده است كه با دستيابي به دقت 95 درصد، مي توان نتيجه گرفت كه با انجام بهينه سازي در تعاريف تابع هزينه و توابع فعالسازي و پارامتر هاي شبكه عصبي، بتوان به دقت بالاتري نيز براي حل اين مسئله دست يافت.