.png){kind=icon}
返回
Learning robust satellite attitude dynamics with physics-informed normalizing flow
.png){kind=icon}
OA
AI
DOI：10.1016/j.actaastro.2026.03.047.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
姿态控制是航天器运行的基本方面。模型预测控制（MPC）已成为这些任务的一种强大策略，它依赖于系统动力学的精确模型，以优化预测时域内的控制作用。在物理模型不完整、难以推导或计算成本高的情况下，机器学习通过直接从数据中学习系统行为，提供了一种灵活的替代方案。然而，纯数据驱动的模型在泛化和稳定性方面往往存在困难，尤其是在应用于训练域之外的输入时。为解决这些局限性，我们研究了将物理信息神经网络（PINNs）融入航天器姿态动力学学习中的益处，并将其性能与纯数据驱动方法进行比较。我们使用带有自注意力机制的实值非体积保持（Real NVP）神经网络架构，在用Basilisk模拟器生成的模拟数据上训练了多个模型。考虑了两种训练策略：纯数据驱动的基线和物理信息变体，以提高鲁棒性和稳定性。结果表明，纳入基于物理的信息显著提高了平均相对误差的性能，最佳架构改进了27.08%。这些优势在将学习到的模型集成到MPC框架中时尤为明显，PINN基模型在控制精度和鲁棒性方面始终优于纯数据驱动模型，与传统MPC方法相比，在观测噪声和RWs摩擦的情况下，其收敛时间提高了62%。
Keyword:
Normalizing flow
Machine learning
Physics-informed neural network
Space vehicle control
Attitude control
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.4
论文数:
1.2W
被引数:
2.1W
机构
引用论文
Dynamics Analysis of a Nonlinear Satellite Attitude Control System Using an Exact Linear Model基于精确线性模型的非线性卫星姿态控制系统的动力学分析.png)
Mathematics
OAAI
MathematicsIF0
OAAI分享收藏A model predictive control for attitude stabilization and spin control of a spacecraft with a flexible rotating payloadACTA ASTRONAUTICA
ACTA ASTRONAUTICAIF3.4
PREAI
分享收藏分享收藏Novel extended Kalman filter + H∞ optimal output feedback control configuration for small satellites with high pointing stability requirements具有高指向稳定性要求的小卫星的新型扩展卡尔曼滤波器h ∞ 最优输出反馈控制配置OAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏分享收藏Model Predictive Control Technique for Ducted Fan Aerial Vehicles Using Physics-Informed Machine Learning基于物理信息机器学习的涵道风扇飞行器模型预测控制技术DRONESOAAI
DRONESIF4.8
OAAI分享收藏
查看更多内容