XiaoMi-AI文件搜索系统
World File Search SystemSpaceCraft
VELOCITY ESPA Grande 级微型卫星航天器
该平台也是国防部太空测试计划 (STP) 太空测试计划卫星——太空和导弹系统中心/先进系统和发展局 (SMC/AD) 的基础。STPSat- 作为 LEO 的共乘系统，并搭载了五个政府提供的 (GP) 有效载荷。Sierra Space 是 STPSat- VELOCITY 模块化、可重构 ESPA 级总线的主要承包商。Sierra Space 在我们位于科罗拉多州路易斯维尔的设施中设计并建造了航天器总线、集成了 GP 有效载荷并执行了完整的航天器测试和发射/操作支持。自 STPSat 以来，航天器设计不断升级——处理和推进能力得到改进。我们的新型高速处理器显著提高了有效载荷数据吞吐量。
PAseos 模拟操作多艘航天器的环境
摘要 下一代航天器有望实现各种新应用，包括机载处理、机器学习和分散操作场景。尽管其中许多应用之前已经提出并评估过，但实际任务场景的操作约束通常要么未被考虑，要么只是初步考虑。在这里，我们介绍了一个名为 PASEOS 的开源 Python 模块，该模块能够模拟涉及一个或多个航天器的操作场景。它考虑了几种物理现象，包括热、功率、带宽和通信约束以及辐射对航天器的影响。PASEOS 既可以作为高性能导向的数值模拟运行，也可以在边缘硬件上直接以实时模式运行。我们在三种场景中展示了这些功能，一种是在 Unibap iX-10 100 卫星处理器上的实时模拟，另一种是在模拟建模整个星座在几个小时内执行任务的模拟，一种是在分散环境中训练机器学习模型。虽然我们展示了地球轨道上的任务，但 PASEOS 在概念上也设计为允许深空场景。我们的结果表明，PASEOS 可以有效地模拟所述场景，从而提供对操作考虑的洞察。我们从运行时间和开销的角度以及通过研究星座的建模温度、电池状态和通信窗口来展示这一点。通过在实际卫星处理器上运行 PASEOS，我们展示了如何将 PASEOS 直接纳入未来任务的硬件演示器中。总的来说，我们提供了第一个解决方案，可以全面模拟航天器在地球轨道及更远的地方遇到的物理约束。PASEOS 模块可在线开源，并附有大量文档，使研究人员能够快速将其纳入他们的研究中。
软件在航天器事故中的作用 - Nancy Leveson
摘要：解决任何问题的第一步也是最重要的一步是充分了解问题，以便创建有效的解决方案。为此，研究了几起与软件相关的航天器事故，以确定常见的系统性因素。虽然每起事故的细节各不相同，但都发现了与安全文化、管理和组织以及技术缺陷有关的非常相似的因素。这些因素包括自满和低估软件风险、责任和权力分散、沟通渠道有限和信息流不畅、系统和软件工程不充分（规范差或缺失、不必要的复杂性和软件功能、没有适当安全分析的软件重用、违反数字组件的基本安全工程实践）、审查活动不足、系统安全工程无效、测试和模拟环境有缺陷以及人为因素工程不足。讨论了这些因素中的每一个，并提出了一些关于如何在未来项目中消除它们的建议。
航天器接口标准分析和简单面包板
如果没有出现特殊情况，本文件自发布之日起将在互联网或其未来的替代品上保存较长一段时间。访问该文档意味着允许任何人阅读、下载、打印单份供个人使用，以及将其原封不动地用于非商业研究和教学。以后转让版权不能撤销此许可。对本文档的任何其他使用均需征得作者同意。为了保证真实性、安全性和可用性，有技术和管理性质的解决方案。作者的知识产权包括在以上述方式使用文档时良好实践所要求的范围内署名作者的权利，以及防止文档被更改或以此类形式或以此类方式呈现的权利。冒犯作者的文学或艺术声誉或个性的上下文。有关林雪平大学电子出版社的更多信息，请访问出版商的网站 http://www.ep.liu.se/
航天器跟踪控制和同步 - Madjid Tavana
人工智能 (AI) 有望在从任务设计规划到卫星数据处理和导航系统等太空操作领域取得突破。人工智能和太空运输的进步使人工智能技术能够应用于航天器跟踪控制和同步。本研究评估了三种替代的航天器跟踪控制和同步 (TCS) 方法，包括非人工智能 TCS 方法、人工智能 TCS 方法和组合 TCS 方法。该研究提出了一种混合模型，包括一个用于定义权重系数的新模型和基于区间型 2 模糊集的组合折衷解 (IT2FSs-CoCoSo) 来解决航天器 TCS 问题。一种新方法用于计算标准的权重系数，而 IT2FSs-CoCoSo 用于对 TCS 方法的优先级进行排序。进行了比较分析以证明所提出的混合模型的性能。我们通过一个案例研究来说明适用性，并展示所提出方法的有效性，该方法基于十个不同的子标准对替代 TCS 方法进行优先排序，这些子标准分为三个主要方面，包括复杂性方面、操作方面和效率方面。根据本研究的结果，人工智能和非人工智能方法相结合是最有利的替代方案，而非人工智能方法则是最不有利的。2022 COSPAR。由 Elsevier BV 出版 这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
航天器热控制的进步 - 学术共享
航天器热管理对于确保任务成功至关重要，因为它影响了板载系统的性能和寿命。提供了航天器热控制解决方案中最新技术的全面概述，以及用于高效有效热管理的设计方法框架。讨论了各种热控制溶液，包括涂料，绝缘，热管，相位变化材料，导电材料，热装置，积极泵送的流体环和辐射器，以及空间中的热量加载的主要来源。强调了对热环境的认证建模和分析，以确定适当的热控制解决方案和设计途径。未来的热管理创新（例如新材料和技术）有可能进一步提高航天器热控制解决方案的效率和有效性。
极高 ISP 航天器推进系统
1 Baramsai 等人，“NASA 实现聚变能的新捷径：晶格约束聚变无需使用大型磁铁和强力激光器”，IEEE Spectrum（2022 年 3 月）。https://spectrum.ieee.org/lattice-confinement-fusion
NASA Ames
自主决策可以通过减轻诸如潜伏期和带宽等通讯限制的影响以及任务复杂性对多飞机运动物操作的影响，从而显着提高任务效率。为了推进自主分布式空间系统（DSS）的艺术状况，NASA的AMES研究中心的分布式航天器自治（DSA）团队正在五个相关技术领域内开发：分布式资源和任务管理，反应性操作，反应性操作，系统建模和模拟，人类Swarm交互，人类 - 人类交互以及Ad Hoc网络通信。DSA正在通过仿真研究和轨道部署来启动这些技术（对于将来的大型自动DSS）介绍这些技术 - 至关重要。100节点异基因处理器（PIL）测试床AIDS分布式自治能力开发和多飞机运任务的验证。部署到D-Orbit SCV-004航天器的DSA软件有效载荷作为ESA赞助的轨内技术演示的一部分演示了多代理的可重构性和可靠性。最后，DSA的主要飞行任务与四个小型航天器一起展示了多点科学数据收集的协作资源分配，作为NASA的Starling 1.0卫星的有效载荷。
一个航天器数据集用于检测，分割和零件识别
现代生活的几乎所有方面都取决于太空技术。多亏了计算机视频的一般和深度学习技术的巨大进步，几十年来，全世界都见证了将深度学习的发展用于解决太空问题的问题，例如自动驾驶机器人，诸如示踪剂，类似昆虫的机器人，类似昆虫的机器人和SpaceCraft的健康监测。这些只是一些在深度学习的帮助下具有高级空间行业的重要例子。但是，深度学习模型的成功需要大量的培训数据才能具有不错的性能，而另一方面，用于培训深度学习模型的公开空间数据集非常有限。当前没有用于基于太空的对象检测或实例分割的公共数据集，部分原因是手动注释对象分割掩码非常耗时，因为它们需要像素级标签，更不用说从空间获取图像的挑战了。在本文中，我们的目标是通过释放数据集以进行航天器检测，实例分割和零件识别来填补这一差距。这项工作的主要贡献是使用太空设置和卫星的图像开发数据集，并具有丰富的注释，包括绑定的航天器和口罩的框架盒对物体部分的水平，这些盒子是通过自动程序和手动努力的混合而获得的。我们还提供了对象检测和Intance Sementation的最新方法作为数据集的基准。可以在https://github.com/yurushia1998/satellitedataset上找到下载建议数据集的链接。