Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.)

У доповіді наведено окремі важливі результати досліджень вчених Інституту технічної механіки НАН України і ДКА України зі створення моделей та методів штучного інтелекту для розв’язання актуальних прикладних задач механіки, пов’язаних із керуванням рухом перспективних космічних апаратів. Сфера потен...

Повний опис

Збережено в:

Бібліографічні деталі
Опубліковано в: :	Вісник НАН України
Дата:	2024
Автор:	Хорошилов, С.В.
Формат:	Стаття
Мова:	Українська
Опубліковано:	Видавничий дім "Академперіодика" НАН України 2024
Теми:	З кафедри Президії НАН України
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/202053
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.) / С.В. Хорошилов // Вісник Національної академії наук України. — 2024. — № 10. — С. 44-50. — Бібліогр.: 20 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859856766978752512
author	Хорошилов, С.В.
author_facet	Хорошилов, С.В.
citation_txt	Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.) / С.В. Хорошилов // Вісник Національної академії наук України. — 2024. — № 10. — С. 44-50. — Бібліогр.: 20 назв. — укр.
collection	DSpace DC
container_title	Вісник НАН України
description	У доповіді наведено окремі важливі результати досліджень вчених Інституту технічної механіки НАН України і ДКА України зі створення моделей та методів штучного інтелекту для розв’язання актуальних прикладних задач механіки, пов’язаних із керуванням рухом перспективних космічних апаратів. Сфера потенційних застосувань отриманих результатів охоплює, зокрема, вирішення проблеми космічного сміття та підвищення ефективності орбітального сервісу. The report presents important re search results of scientists from the Institute of Technical Mechanics of the National Academy of Sciences of Ukraine and the State Space Agency of Ukraine on the development of models and methods of artificial intelligence for solving relevant applied tasks of mechanics related to motion control of advanced spacecraft. Potential applications of the results include, in particular, solving the problem of space debris and improving the efficiency of orbital services.
first_indexed	2025-12-07T15:43:29Z
format	Article
fulltext	44 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2024. (10) МОДЕЛІ ТА МЕТОДИ ШТУЧНОГО ІНТЕЛЕКТУ В ЗАДАЧАХ КЕРУВАННЯ РУХОМ КОСМІЧНИХ АПАРАТІВ Стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 року У доповіді наведено окремі важливі результати досліджень вчених Інсти- туту технічної механіки НАН України і ДКА України зі створення моделей та методів штучного інтелекту для розв’язання актуальних прикладних задач механіки, пов’язаних із керуванням рухом перспективних косміч- них апаратів. Сфера потенційних застосувань отриманих результатів охоплює, зокрема, вирішення проблеми космічного сміття та підвищення ефективності орбітального сервісу. Шановні члени Президії! Ша новні колеги! Ост анніми роками методи штучного інтелекту (ШІ) розвива- ються дуже стрімко, а сфера їх застосування постійно розши- рюється, пропонуючи нові рішення для різноманітних склад- них завдань. Методи штучного інтелекту вже успішно використовують у таких галузях, як комп’ютерний зір [1], автономне водіння [2], робототехніка [3], кібербезпека, оброблення природної мови (NLP) тощо. Проте космічні системи керування все ще розробляють без використання елементів ШІ, незважаючи на те, що традиційні методи зумовлюють досить тривалі строки розроблення проєктів і високу вартість космічних систем. Крім того, освоєння космосу ставить нові завдання, вирішуючи які на основі традиційної методології розробники стикаються з проблемами адаптивності, робастності та автономності систем. Втім, останнім часом ситуація почала змінюватися, зростає зацікавленість науковців і фахівців-практиків у застосуванні методів штучного інтелекту для створення космічних систем [4, 5]. З одного боку, така активність пояснюється помітним прогресом у галузі технологій ШІ, а з іншого — зростанням складності нових завдань, що постають перед космонавтикою (орбітальний сервіс, місії на Марс, на астероїди тощо) і потре- бують інших, більш сучасних підходів до їх вирішення. ХОРОШИЛОВ Сергій Вікторович — доктор технічних наук, в.о. заступника директора з наукової роботи Інституту технічної механіки Національної академії наук України і Державного космічного агентства Укра їни doi: https://doi.org/10.15407/visn2024.10.044 ISSN 1027-3239. Вісн. НАН України, 2024, № 10 45 З КАФЕДРИ ПРЕЗИДІЇ НАН УКРАЇНИ Незважаючи на велике різноманіття мето- дів, які охоплює поняття «штучний інтелект» [6], більшість результатів промислового за- стосування отримано на основі методів ма- шинного навчання (рис. 1) [7], які викорис- товують для розроблення а лгоритмів, здатних розв’язувати задачі з пошуку закономірностей у масивах різноманітних даних. В Інституті технічної механіки НАН Украї- ни і ДКА України було проведено науково-до- слідні роботи з розвитку та використання ме- тодів машинного навчання. Перша група отриманих результатів пов’я за- на з вирішенням проблеми космічного сміття. Загалом космічним сміттям називають штучно створені об’єкти, які вже не функціонують, але залишаються в космосі. З року в рік ця про- блема все більше загострюється, оскільки, як видно з рис. 2, кількість орбітальних об’єктів постійно збільшується, і вже зараз це істотно ускладнює космічну діяльність [8]. Напри- клад, за розрахунками фахівців, до 2028 р. су- путникам Starlink доведеться виконати 1 млн маневрів, щоб уникнути зіткнень з космічним сміттям. Якщо нічого не робити, рано чи пізно виникне ситуація, яку називають синдромом Кесслера. Це гіпотетичний розвиток подій, коли космічне сміття на навколоземній ор- біті унеможли вить практичне використання близького космосу. Одним із варіантів, які пропонують для ви- рішення цієї проблеми, є примусове видален- ня об’єктів космічного сміття з орбіт. Інститут технічної механіки НАН України і ДКА Укра- їни входив до складу міжнародного консор- ціуму проєкту LEOSWEEP (Improving Low Earth Orbit Security With Enhanced Electric Propulsion), що фінансувався Європейською комісією. Ми брали участь у дослідженнях за однією з концепцій такого видалення, що здо- була назву «пастух з іонним променем» (ion- beam shepherd) [9]. Ця концепція ґрунтується на використанні створеного іонним двигуном променя плазми для надання гальмівного ім- пульсу об’єктам космічного сміття (рис. 3). Це безконтактний метод, тобто супутнику-пасту- ху не потрібно пристиковуватися до об’єкта, і Рис. 1. Машинне навчання — одна з груп методів штучного інтелекту Рис. 2. Зростання кількості об’єктів на навколоземних орбітах за період з 1956 по 2024 р. Рис. 3. Видалення космічного сміття за допомогою іонного променя 46 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2024. (10) З КАФЕДРИ ПРЕЗИДІЇ НАН УКРАЇНИ ця особливість значно підвищує безпеку про- ведення операції. Однак для реалізації концепції пастуха з іонним променем необхідно мати ефективні методи визначення с или, з якою іонний дви- гун впливає на об’єкт космічного сміття. Це потрібно для планування місій, а також для розроблення алгоритмів керування відносним та обертальним рухом [10, 11]. Традиційні ал- горитми розв’язання цієї задачі мають досить високу обчислювальну складність, що призво- дить до проблем з їх застосуванням навіть на етапі моделювання, не кажучи вже про їх ре- алізацію на борту космічного апарата. Ми за- пропонували розв’язувати задачу з визначення потрібної сили іонн ого двиг уна за допомогою штучних нейронних мереж, використовуючи їх як універсальні апроксиматори. Однією з ключових відмінностей між глибо- ким навчанням [12] і традиційним машинним навчанням є етап визначення ознак або харак- теристик, які можна використати для вирішен- ня поставленого завдання. Загалом сила, що передається об’єкту, залежить від його віднос- ного положення, орієнтації, розміру та форми, а також від властивостей плазми, але для цієї конкретної місії вплив іонного променя зале- жить лише від відносного положення та орі- єнтації об’єкта космічного сміття. Саме тому модель використовує інформацію про взаємне положення та орієнтацію як вхідні дані для нейронної мережі з повнозв’язаними шарами [13]. Параметри мережі визначено за пара- дигмою навчання з вчителем, згідно з якою потрібно знайти функцію, що описує зв’язок між входом та виходом на основі прикладів Рис. 4. Архітек- тура моделі на основі згорткових нейронних мереж Рис. 5. Архітектура моделі з попереднім обробленням зображень ISSN 1027-3239. Вісн. НАН України, 2024, № 10 47 З КАФЕДРИ ПРЕЗИДІЇ НАН УКРАЇНИ пар вхід-вихід, де відомими є еталонні значен- ня виходу. Еталонні значення сили отримано з використанням традиційного методу для різ- них взаємних положень і орієнтацій об’єктів космічного сміття в процесі його видалення. Результати проведених досліджень засвід- чили, що штучна нейронна мережа визначає силу значно швидше, ніж це можна зробити за допомогою традиційного методу, а її похибки є несуттєвими з точки зору практичного вико- ристання. Ця модель придатна для прискорення моде- лювання, але для її реалізації на орбіті потрібно вимірювати відносне положення та орієнтацію об’єктів космічного сміття, для чого необхідно мати додаткові сенсори, зокрема типу LIDAR, які на сьогодні дуже дорогі. Тому ми вирішили дослідити можливість застосування методів глибокого навчання для визначення впливу іонного двигуна за візуальними зображення- ми об’єкта космічного сміття. Цю ідею ми об- ґрунтували в нашій попередній роботі [14], в якій довели, що для розрахунку сили доцільно розглядати не тривимірну поверхню об’єкта космічного сміття, а її центральну проєкцію на площину, перпендикулярну променю, яку можна отримати за допомогою фотокамери [15]. Для побудови такої моделі було застосо- вано згорткові нейронні мережі, оскільки вони здатні виокремлювати ознаки з необроблених зображень (рис. 4). Для навчання використо- вували синтетичні зображення об’єктів, які ми створювали за допомогою програмного забез- печення з відкритим кодом [16]. Один зі способів підвищити точність таких моделей — збільшити їх розмірність, але тоді для їх навчання потрібен значно більший на- бір даних. З огляду на це було запропоновано інший підхід, заснований на попередньому об- робленні вхідних зображень (рис. 5). У процесі такого оброблення визначають моменти кон- туру зображення об’єкта космічного сміття. У комп’ютерному зорі ці моменти є скалярними величинами, які можна використовувати для опису окремих характеристик об’єкта, таких як площа, геометричний центр або орієнта- ція. Цей підхід завдяки істотному зменшен- ню розмірності вектора вхідних даних дозво- лив застосувати звичайну нейронну мережу з повнозв’язаними шарами. Модель з попереднім обробленням зобра- жень з точки зору то чності перевершує мо- дель на основі згорткових нейронних мереж, а швидкість визначення сили в ній виявилася значно вищою за традиційний алгоритм, але дещо меншою, ніж у моделі на основі згортко- вих нейронних мереж. Оскільки швидкість отримання результатів, строго кажучи, залежить від особливостей ре- алізації алгоритмів, було отримано аналітичні оцінки залежності обчислювальної складності від розмірності таких моделей з використан- ням нотації велике О, що описує обчислюваль- ні витрати в найгіршому випадку. Як видно з рис. 6, зі збільшенням розмірнос- ті моделі обчислювальна складність традицій- ного підходу (крива 1) експоненційно зростає на відміну від моделей на основі нейронних мереж (криві 2 і 3). Ці оцінки демонструють, що алгоритми на основі нейронних мереж зна- чно менш складні в обчислювальному плані, ніж традиційні алгоритми. Ще один напрям наших робіт пов’язаний з підвищенням ефективності орбітального сервісу — нової парадигми освоєння космо- су, яка передбачає ремонт, модернізацію, до- заправку космічних апаратів та інші операції. Ми розглянули можливість створення систем керування космічними апаратами, які можуть Рис. 6. Залежність обчислювальної складності моде- лей від їхньої розмірності 48 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2024. (10) З КАФЕДРИ ПРЕЗИДІЇ НАН УКРАЇНИ поліпшувати свої характеристики в процесі функціонування, подібно до того як молодий фахівець, поступово набуваючи досвіду, вчить- ся вирішувати дедалі складніші завдання. Задачу розв’язували на основ і парадигми навчання з підкріпленням, згідно з якою систе- ма керування навчається, аналізуючи резуль- тати своїх дій [17]. Результати навчання оці- нюють за скалярним сигналом (сигналом під- кріплення), який система кер ування отримує від об’єкта керування. Сигнал підкріплення дозволяє інтелектуальній системі змінювати свої алгоритми так, щоб мінімізувати сумарну вартість виконання певного завдання. Під час розв’язання цієї задачі особливу ува- гу було приділено таким добре відомим недо- лікам методів навчання з підкріпленням [18]: 1) низька ефективність навчання, що при- зводить до того, що космічний апарат має ви- конати багато спроб для того, щоб навчитися якісно виконувати завдання; 2) відсутність формальних гарантій отри- мання результатів, що зазвичай вимагають розробники космічних систем. Для підвищення ефективності навчання за- пропоновано використовувати статистичну модель, яка описує перехід об’єкта керування в результаті керівної дії з початкового стану в наступний стан і не потребує великого обсягу даних для її уточнення. Така модель, заснована на понятті гауссівських процесів, дозволяє ви- користовувати апріорну інформацію про об’єкт керування та представляти невизначе- ність у динаміці у вигляді довірчих інтервалів. У цьому випадку задача дослідження простору станів та керувань зводиться до отримання та- ких вимірів, які дозволяють зменшити ці дові- рчі інтервали. Гарантії стійкості руху космічного апарата з урахуванням невизначеності моделі його ди- наміки було отримано з використанням апара- ту функцій Ляпунова. Для того щоб спростити Рис. 7. Керування орбітальним рухом космічного апарата: а — зміна кута орієнтації; б — зміна керівного моменту; 1 — інтелектуальний алгоритм; 2 — початковий алгоритм Рис. 8. Імпульсне керування відносним рухом космічного апарата з використанням навчання з підкріпленням: а — зміна вектора стану; б — послідовність керівних імпульсів ISSN 1027-3239. Вісн. НАН України, 2024, № 10 49 З КАФЕДРИ ПРЕЗИДІЇ НАН УКРАЇНИ перевірку стійкості на основі розглянутої ме- тодології, використано припущення про ліп- шицеву неперервність динаміки об’єкта керу- вання, що дало змогу реалізувати пошук керів- них впливів з урахуванням обмежень, сфор- мульованих із застосуванням верхньої границі невизначеності та ліпшицевих констант. Інтелектуального агента реалізовано із за- стосуванням нейромережевих апроксиматорів на основі архітектури «виконавець-критик», де виконавець формує керівні впливи, а кри- тик — оцінки функції вартості [19]. Передбачається, що на етапі проєктування системи керування відома наближена модель динаміки космічного апарата. Цю модель ви- користовують для синтезу базового алгорит- му керування, достатнього для того, щоб кос- мічний апарат міг виконувати деякі початкові прості завдання. Потім інтелектуальна систе- ма керування послідовно виконує такі дії: 1) збирання даних про особливості динамі- ки космічного апарата; 2) уточнення моделі динаміки космічного апарата з використанням отриманих даних; 3) удосконалення алгоритму керування за допомогою оновленої моделі. Ці дії повторюються доти, доки не буде до- сягнуто необхідної якості керування. Як видно з рис. 7, інтелектуальний алгоритм (крива 1) істотно перевершує початковий ал- горитм (крива 2) з точки зору якості керуван- ня та витрат. Цей приклад належить до задач регресії, коли керівні впливи можуть прийма- ти будь-які значення у заданому діапазоні. В іншому прикладі розв’язано задачу класи- фікації при керуванні рухом космічних апара- тів з використанням хімічних реактивних дви- гунів, які мають лише два стани: увімкнено або вимкнено. Причому кількість вмикань обме- жена. Ця властивість значно ускладнює пря- мий синтез законів керування. Для вирішення цієї проблеми традиційно використовують мо- дулятор тяги для перетворення безперервного сигналу керування на послідовні сть імпульсів керування реактивним двигуном. Однак цей підхід не дозволяє явно оптимізувати кількість вмикань двигуна, і ефективність керування іс- тотно погіршується, якщо роздільна здатність тяги двигуна є недостатньою відносно періоду дискретизації контролера. Реалізація системи керування на основі на- вчання з підкріпленням дозволяє подолати ці недоліки [20]. Запропоновано використовува- ти функцію вартості зі змінними ваговими ко- ефіцієнтами дій, що дає можливість оптимізу- вати кількість вмикань реактивног о двигуна в явній формі. Показано, що система керування на основі навчання з підкріпленням дає кращі результати щодо точності керування, швид- кодії (рис. 8а), кількості вмикань реактивних двигунів (рис. 8б) та витрат палива, н іж тради- ційний підхід з модулятором тяги. Отже, результати останніх досліджень за- свідчили переваги використання методів штучного інтелекту для космічних застосу- вань. Зокрема, вони дають можливість знизити вимоги до елементів систем керування, таких як сенсори та виконавчі органи, відмовитися від використання спеціальних стендів для від- працювання систем, а також дозволяють змен- шити терміни виконання та вартість розробки. Отримані результати дають підстави для проведення подальших досліджень за цим на- прямом. Попереду ще багато роботи, щоб мож- на було впевнено стверджувати, що методи штучного інтелекту є ефективними та надій- ними для їх застосування в космосі. Дякую за увагу! За матеріалами засідання підготувала О.О. Мележик 50 ISSN 1027-3239. Visn. Nac. Acad. Nauk Ukr. 2024. (10) З КАФЕДРИ ПРЕЗИДІЇ НАН УКРАЇНИ REFERENCES 1. Voulodimos A., Doulamis N., Doulamis A., Protopapadakis E. Deep learning for computer vision: a brief review. Com- putational Intelligence and Neuroscience. 2018. https://doi.org/10.1155/2018/7068349 2. Pierson H., Gashler M. Deep learning in robotics: a review of recent research. Adv. Robotics. 2017. 31(16): 821—835. https://doi.org/10.1080/01691864.2017.1365009 3. Sallab A.E., Abdou M., Perot E., Yogamani S. Deep reinforcement learning framework for autonomous driving. Elec- tronic Imaging. 2017. 19: 70—76. https://doi.org/10.2352/ISSN.2470-1173.2017.19.AVM-023 4. Izzo D., Märtens M., Pan B. A survey on artificial intelligence trends in spacecraft guidance dynamics and control. Astrodynamics. 2019. 3: 287—299. https://doi.org/10.1007/s42064-018-0053-6 5. Khoroshylov S.V., Redka M.O. Deep learning for space guidance, navigation, and control. Space Science and Technol- ogy. 2021. 27(6): 38—52. https://doi.org/10.15407/knit2021.06.038 6. Russell S.J., Norvig P. Artificial intelligence: a modern approach. Pearson education, 2010. 7. Mitchell T.M. Machine Learning. New York: McGraw Hill, 1997. 8. Liou J.-C., Anilkumar A.K., Bastida Virgili B., Hanada T., Krag H., Lewis H., Raj M., Rao M., Rossi A., Sharma R. Stability of the future LEO environment — an IADC comparison study. In: Proc. of the 6th European Conference on Space Debris (22—25 April 2013, Darmstadt). https://conference.sdo.esoc.esa.int/proceedings/sdc6/paper/199 9. Bombardelli C., Peláez J. Ion beam shepherd for contactless space debris removal. J. Guid. Contr. Dynam. 2011. 34(3): 916—920. https://doi.org/10.2514/1.51832 10. Khoroshylov S. Out-of-plane relative control of an ion beam shepherd satellite using yaw attitude deviations. Acta Astronautica. 2019. 164: 254—261. https://doi.org/10.1016/j.actaastro.2019.08.016 11. Khoroshylov S. Relative control of an ion beam shepherd satellite in eccentric orbits. Acta Astronautica. 2020. 176: 89—98. https://doi.org/10.1016/j.actaastro.2020.06.027 12. Goodfellow I., Bengio Y., Courville A. Deep Learning. The MIT Press, 2016. 13. Redka M.O., Khoroshylov S.V. Determination of the force impact of an ion thruster plume on an orbital object via deep learning. Space Science and Technology. 2022. 28(5): 15—26. https://doi.org/10.15407/knit2022.05.015 14. Alpatov A., Cichocki F., Fokov A., Khoroshylov S., Merino M., Zakrzhevskii A. Determination of the force transmit- ted by an ion thruster plasma plume to an orbital object. Acta Astronautica. 2016. 119(2-3): 241—251. https://doi.org/10.1016/j.actaastro.2015.11.020 15. Alpatov A.P., Cichocki F., Fokov A.A., Khoroshylov S.V., Merino M., Zakrzhevskii A.E. Algorithm for determination of force transmitted by plume of ion thruster to orbital object using photo camera. In: Proc. 66th Int. Astronautical Congress (Jerusalem, Israel, 2015). P. 2239—2247. 16. Redka M.O., Khoroshylov S.V. Convolutional Neural Networks for Determining the Ion Beam Impact on a Space Debris Object. Sci. Innov. 2023. 19(6): 19—30. https://doi.org/10.15407/scine19.06.019 17. Sutton R.S., Barto A.G. Reinforcement Learning: an Introdu ction. MIT Press, 1998. 18. Khoroshylov S.V., Redka M.O. Intelligent control of spacecraft attitude using reinforcement leaning. Technical Me- chanics. 2019. (4): 29—43. https://doi.org/10.15407/itm2019.04.029 19. Khoroshylov S.V., Redka M.O. Relative control of an underactuated spacecraft using reinforcement learning. Techni- cal Mechanics. 2020. (4): 43—54. https://doi.org/10.15407/itm2020.04.043 20. Khoroshylov S.V., Wang C. Spacecraft relative on-off control via reinforcement learning. Space Science and Technol- ogy. 2024. 30(2): 3—14. https://doi.org/10.15407/knit2024.02.003 Serhii V. Khoroshylov Institute of Technical Mechanics of the National Academy of Sciences of Ukraine and State Space Agency of Ukraine, Dnipro, Ukraine ORCID: https://orcid.org/0000-0001-7648-4791 MODELS AND METHODS OF ARTIFICIAL INTELLIGENCE IN SPACECRAFT MOTION CONTROL TASKS Transcript of scientific report at the meeting of the Presidium of NAS of Ukraine, September 4, 2024 The report presents important re search results of scientists from the Institute of Technical Mechanics of the National Academy of Sciences of Ukraine and the State Space Agency of Ukraine on the development of models and methods of artificial intelli- gence for solving relevant applied tasks of mechanics related to motion control of advanced spacecraft. Potential applications of the results include, in particular, solving the problem of space debris and improving the efficiency of orbital services. Cite this article: Khoroshylov S.V. Models and methods of artificial intelligence in spacecraft motion control tasks. Visn. Nac. Akad. Nauk Ukr. 2024. (10): 44—50. https://doi.org/10.15407/visn2024.10.044
id	nasplib_isofts_kiev_ua-123456789-202053
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1027-3239
language	Ukrainian
last_indexed	2025-12-07T15:43:29Z
publishDate	2024
publisher	Видавничий дім "Академперіодика" НАН України
record_format	dspace
spelling	Хорошилов, С.В. 2025-02-23T18:08:38Z 2024 Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.) / С.В. Хорошилов // Вісник Національної академії наук України. — 2024. — № 10. — С. 44-50. — Бібліогр.: 20 назв. — укр. 1027-3239 https://nasplib.isofts.kiev.ua/handle/123456789/202053 DOI: doi.org/10.15407/visn2024.10.044 У доповіді наведено окремі важливі результати досліджень вчених Інституту технічної механіки НАН України і ДКА України зі створення моделей та методів штучного інтелекту для розв’язання актуальних прикладних задач механіки, пов’язаних із керуванням рухом перспективних космічних апаратів. Сфера потенційних застосувань отриманих результатів охоплює, зокрема, вирішення проблеми космічного сміття та підвищення ефективності орбітального сервісу. The report presents important re search results of scientists from the Institute of Technical Mechanics of the National Academy of Sciences of Ukraine and the State Space Agency of Ukraine on the development of models and methods of artificial intelligence for solving relevant applied tasks of mechanics related to motion control of advanced spacecraft. Potential applications of the results include, in particular, solving the problem of space debris and improving the efficiency of orbital services. uk Видавничий дім "Академперіодика" НАН України Вісник НАН України З кафедри Президії НАН України Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.) Models and methods of artificial intelligence in spacecraft motion control tasks (Transcript of scientific report at the meeting of the Presidium of NAS of Ukraine, September 4, 2024) Article published earlier
spellingShingle	Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.) Хорошилов, С.В. З кафедри Президії НАН України
title	Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.)
title_alt	Models and methods of artificial intelligence in spacecraft motion control tasks (Transcript of scientific report at the meeting of the Presidium of NAS of Ukraine, September 4, 2024)
title_full	Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.)
title_fullStr	Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.)
title_full_unstemmed	Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.)
title_short	Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.)
title_sort	моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні президії нан україни 4 вересня 2024 р.)
topic	З кафедри Президії НАН України
topic_facet	З кафедри Президії НАН України
url	https://nasplib.isofts.kiev.ua/handle/123456789/202053
work_keys_str_mv	AT horošilovsv modelítametodištučnogoíntelektuvzadačahkeruvannâruhomkosmíčnihaparatívstenogramadopovídínazasídanníprezidíínanukraíni4veresnâ2024r AT horošilovsv modelsandmethodsofartificialintelligenceinspacecraftmotioncontroltaskstranscriptofscientificreportatthemeetingofthepresidiumofnasofukraineseptember42024

Моделі та методи штучного інтелекту в задачах керування рухом космічних апаратів (стенограма доповіді на засіданні Президії НАН України 4 вересня 2024 р.)

Репозитарії

Схожі ресурси