机构名称：
¥ 1.0
abtract该项目通过使用Unity ML代理来训练AI模型[1]，解决了在不同行星环境中模拟火箭着陆的挑战。对空间探索至关重要的火箭的可重复性需要精确控制和适应性的重力条件。我们提出了一种解决方案，将AI驱动控件与交互式用户输入相结合，以创建灵活且逼真的火箭着陆模拟器。使用的机器学习方法来开发能够处理复杂控制任务的模型，并使用强化学习来适应地球，火星和月球的不同环境。实验以评估模型在每个环境中进行调整和执行的能力，分析关键的火箭参数（例如质量和推力）如何影响各种引力和大气条件的性能。这种方法提供了对模型的适应性和优化潜力的见解。[2]。最重要的发现是，由于更快的下降速度，AI在地球和月球上表现良好，但需要在火星上进行进一步调整[3]。我们的方法为研究可重复使用的火箭技术提供了一个引人入胜的教育平台，使其成为学术和实际应用的宝贵工具。k eywords机器学习，火箭，着陆，加固学习1。在太空探索中的介绍性可重复使用性已成为一个重点，尤其是当SpaceX等公司证明了与重复使用火箭相关的巨大成本和时间[4]。实现这一目标涉及复杂的控制系统，这些系统必须准确地说明许多变量，例如燃料水平，大气条件和推力幅度，以确保成功着陆。当前的模拟虽然高级，但通常缺乏在多个天体上复制这些条件的灵活性和可伸缩性。我们的项目通过利用AI和先进的物理模拟来解决这一差距，以模仿不同环境（例如地球，火星和月球）的火箭登陆，这些火箭登陆由于其不同的引力力而引起的明显挑战[5]。这个问题很重要，因为可重复使用的火箭技术的进步可以大大降低任务成本，从而使长期探索更容易访问（Reddy，2018）。此外，对空间和人工智学感兴趣的学生和研究人员需要
动态模拟平台进行训练和...
主要关键词
相关文件推荐
