Ваш браузер устарел и не обеспечивает полноценную и безопасную работу с сайтом.
Установите актуальную версию вашего браузера или одну из современных альтернатив.
Предлагаемый метод решения задачи определения целевых параметров будет рассмотрен на примере процесса сближения и стыковки транспортного корабля и международной космической станции (МКС). В данном случае транспортный корабль выступает в роли так называемого активного объекта (актива), который выполняет все запланированные маневры на орбите. МКС является пассивным объектов (пассивом). На сегодняшний день реализовано несколько подходов, инструментов, позволяющих выполнять процедуру определения целевых параметров:
Множественность возможных вариантов решения поставленной задачи и продолжающиеся работы по модернизации существующих средств позволяют сделать вывод о том, что данная работа является актуальной. Среди представленных выше методов особое внимание стоит уделить попытке определения целевых параметров на основе изображения с бортовой телевизионной камеры. У данного подхода есть, как минимум, одно очень важное преимущество по отношению к остальным: нет необходимости наличия ответного устройства на пассивном объекте. Российскими учеными уже были предприняты попытки создания подобных систем [2, 3], однако добиться высоких показателей точности работы не удалось. С ростом и развитием современных технологий подобная задача может быть решена с помощью искусственных нейронных сетей. Существующие отечественные и мировые разработки позволяют выдвинуть гипотезу о разрешимости данной проблемы.
Важной частью процесса работы с нейронными сетями является формирование обучающего набора данных. Применительно к рассматриваемой задаче — набор данных должен представлять собой базу «размеченных» изображений. Предложенный подход предполагает создание математической трехмерной модели процесса сближения и стыковки транспортного корабля и международной космической станции. В своей работе «Разработка трехмерных моделей для учебно-тренировочных средств космического комплекса» [4] разработчики предлагают метод, позволяющий преобразовывать модели формата CAD в полигональные модели без потери качества. Благодаря подобному подходу появляется возможность создавать полигональные модели на базе моделей конструкторской документации, другими словами — модели, максимально близкие к реальным объектам. Существенным аспектов моделирования и создания математической трехмерной модели является преобразование наблюдаемой визуальной информации с учетом характеристик бортовых телекамер (угол зрения, разрешение, градации яркости), возможными оптическими и электронными помехами, условиями светотеневой обстановки наблюдаемого объекта. Подобная детализации требуется для максимального соответствия создаваемой модели и реальных условий полета.
На следующем этапе работы было проведено комплексное исследование как самописных, так и готовых архитектур нейронных сетей для решения поставленной задачи. Наилучший результат был получен с помощью архитектуры семейства YOLO [5]. Благодаря разработке кастомной функции ошибки для архитектуры YOLOv4 удалось значительно повысить качество работы модели.
Тестирование разработанной модели проводилось на реальных записях процесса сближения и стыковки корабля и МКС, т. е. на максимально детализированных условиях работы.
Разработанная архитектура нейронной сети была интегрирована в приложение, которое планируется внедрить в работу комплексного моделирующего стенда транспортных кораблей.
Тестирование разработанной модели позволяет сделать следующие выводы:
Полученный в ходе работы результаты подтверждают перспективность предложенных методов определения параметров относительного движения кооперируемых космических аппаратов на основе искусственных нейронных сетей.
