ТЕХНІЧНА МЕХАНІКА
ISSN 1561-9184 (друкована версія), ISSN 2616-6380 (електронна версія)

ГОЛОВНА    ПРО ЖУРНАЛ    РЕДКОЛЕГІЯ    АВТОРАМ    ПОТОЧНИЙ ВИПУСК    АРХІВ    КОНТАКТИ

УДК 629.5

Технічна механіка, 2023, 2, 51 - 63

ВИЗНАЧЕННЯ СИЛИ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ ЗА КОНТУРАМИ ЙОГО ЗОБРАЖЕНЬ З ВИКОРИСТАННЯМ ГЛИБОКОГО НАВЧАННЯ

DOI: https://doi.org/10.15407/itm2023.02.051

Редька М. О.

Редька М. О.
Інститут технічної механіки Національної академії наук України і Державного космічного агентства України,
Україна

      Ціллю статті є розробка ефективного алгоритму попередньої обробки зображення та створення відповідної моделі нейронної мережі для визначення сили, яку необхідно передати об’єкту космічного сміття (ОКС) для його безконтактного видалення з орбіти.
      При розробці алгоритму та його дослідженні використані методи теоретичної механіки, методи машинного навчання, комп’ютерного зору та комп’ютерного моделювання. Визначення сили відбувається за фотознімком камери, що перебуває на борту активного космічного апарата (КА). Для підвищення ефективності нейронної мережі створено алгоритм, який виділяє ознаки зображення ОКС за контуром його зображення на фотознімку. Такий алгоритм, з однієї сторони, виділяє достатню кількість ознак для опису властивостей фігури, а з другої, значно зменшує розмірність даних, які надходять на вхід нейронної мережі. Створено колекцію даних із наборів ознак та відповідних їм еталонних значень сили для навчання моделі нейронної мережі. Створено модель нейронної мережі, яка використовує ознаки для визначення сили впливу на ОКС. Модель було протестовано за допомогою набору із вісімнадцяти розрахункових випадків, для визначення ефективності алгоритму, його точності та швидкості. Запропонований алгоритм було порівняно з двома існуючими алгоритмами: методом центральних проєкцій на допоміжну площину та моделлю багатошарової нейронної мережі, яка розраховує силу за допомогою параметрів орієнтації ОКС. Порівняння виконувалось за наступними метриками: середньоквадратична помилка, максимальна абсолютна помилка, максимальна відносна помилка. Результати тестування наведені у вигляді таблиць та графіків.
      Запропонований підхід дає можливість розробити систему безконтактного видалення ОКС, яка не потребує визначення точної позиції та орієнтації відносно активного КА. Замість цього алгоритм використовує фотознімки камери, з яких виділяються необхідні для розрахунку ознаки. Це дозволяє знизити вимоги до її обчислювальних елементів, відмовитись від сенсорів для визначення відносної позиції та орієнтації, зменшити вартість системи.
     

глибоке навчання, штучний інтелект, комп’ютерний зір, видалення космічного смітт

1. Bombardelli C., Pelaez J. Ion Beam Shepherd for Contactless Space Debris Removal. Journal of Guidance, Control, and Dynamics. 2011. Vol. 34, No. P. 916–920. https://doi.org/10.2514/1.51832

2. Merino M., Cichocki F., Ahedo E. A collisionless plasma thruster plume expansion model. Plasma Sources Science and Technology. 2015. Vol. 24, No. P. 035006. https://doi.org/10.1088/0963-0252/24/3/035006

3. Bombardelli C., Urrutxua H., Merino M., Ahedo E., Pelaez J. Relative dynamics and control of an ion beam shepherd satellite. Spaceflight mechanics. 2012. Vol. 143. P. 2145–2158.

4. Alpatov A., Cichocki F., Fokov A., Khoroshylov S., Merino M., Zakrzhevskii A. Algorithm for Determination of Force Transmitted by Plume of Ion Thruster to Orbital Object Using Photo Camera. 66th International Astronautical Congress, Jerusalem, Israel. 2015. P. 1–9.

5. Fokov A. A., Khoroshilov S. V. Validation of simplified method for calculation of transmitted force from plume of electric thruster to orbital object. Авиационно-космическая техника и технология. 2016. No. 2. P. 55–66.

6. Redka M., Khoroshylov S. Determination of the force impact of an ion thruster plume on an orbital object via deep learning. Космічна наука і технологія. 2022. № 28. P. 15–26. https://doi.org/10.15407/knit2022.05.015

7. Dudani S. A., Breeding K. J., McGhee R. B. Aircraft Identification by Mo-ment Invariants. IEEE Transactions on Computers. 1977. Vol. C-26, No. 1. P. 39–46. https://doi.org/10.1109/tc.1977.5009272

8. Flusser J., Suk T. A moment-based approach to registration of images with affine geometric distortion. IEEE Transactions on Geoscience and Remote Sensing. 1994. Vol. 32, No. 2. P. 382–387. https://doi.org/10.1109/36.295052

9. Canny J. A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. PAMI-8, No. 6. P. 679–698. https://doi.org/10.1109/tpami.1986.4767851

10. Xu X., Constantinides A. G. Practical issues concerning moment invariants. Journal of Systems Engineering and Electronics. March 1996. Vol. 7. No. 1. P. 43–57.

11. Ming-Kuei Hu. Visual pattern recognition by moment invariants. IEEE Transactions on Information Theory. 1962. Vol. 8, No. 2. P. 179–187. https://doi.org/10.1109/tit.1962.1057692

12. Mitchell T. Machine Learning (Mcgraw-Hill International Edit). McGraw-Hill Education (ISE Editions), 1997. 352 p.

13. Cybenko G. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems. 1992. Vol. 5, No. 4. P. 455. https://doi.org/10.1007/bf02134016

14. Hornik K. Approximation capabilities of multilayer feedforward networks. Neural Networks. 1991. Vol. 4, No. 2. P. 251–257. https://doi.org/10.1016/0893-6080(91)90009-T

15. Glorot X., Bengio Y. Understanding the Difficulty of Training Deep Feedforward Neural Networks. Proc. of the Thirteenth International Conference on Artificial Intelligence and Statistics. Proc. of Machine Learning Research. 2010. No. 9. P. 249–256.

Copyright (©) 2023 Редька М. О.

Copyright © 2014-2023 Технічна механіка