XiaoMi-AI文件搜索系统
World File Search System月球着陆
探索太空旅行，月球着陆和流动撞击
ROVER驾驶学院计划是一项令人着迷的教育计划，专为6 - 9年级的学生设计。它对月球科学和太空任务进行了深入的探索，涵盖了各种令人兴奋的主题，例如月球地质，火山口形成，月球阶段，潮汐锁定，太空旅行，月球登陆和罗佛行动。该计划由多个课程组成，每个课程都有一个独特的主题，使学生能够对这些主题有全面的了解。流浪汉驾驶学院的亮点是学生积极参与学习经验的机会，在该学习体验中，他们成为在模拟的月球环境中经营着真正的月球漫游器的团队的一部分。
比较三种深钢筋学习算法用于解决月球着陆器问题的比较
摘要。月球着陆器问题在强化学习领域提出了巨大的挑战，因此需要创建能够在月球表面安全着陆的自主航天器。在这项研究中，研究并检查了三种突出的增强学习算法，即深Q-Network（DQN），Double Deep Q-Network（DDQN）和策略梯度，并进行了检查并检查以解决此问题。最初，将神经网络和Q学习的DQN算法利用以学习最佳着陆政策。通过通过神经网络培训近似Q值，该航天器学会了做出明智的决定，从而成功着陆。随后，使用减轻高估偏差的DDQN算法。利用两个神经网络（一个用于行动选择，另一个用于评估），DDQN可提高稳定性和收敛性，从而产生精致的着陆策略。此外，这项工作探讨了策略梯度方法在此问题中的应用。通过使用梯度上升直接优化策略，该航天器可以最大化累积奖励，从而实现有效而准确的降落。通过广泛的模拟来评估该算法的性能，该模拟涵盖了不同的月球表面条件。结果证明了这些方法的有效性，展示了它们促进成功和燃油效率的航天器登陆的能力。总而言之，这项研究有助于了解Lunar Lander问题的DQN，DDQN和政策梯度算法。这些发现突出了每种算法的独特优势及其在自主航天器上的潜力。这项研究所获得的见解对未来的月球任务中智能着陆系统的发展具有影响，从而推进了航空航天应用中强化学习领域。
使用专用月球通信和导航系统的月球着陆器的定位和速度性能水平
过去，月球探测任务几乎完全依赖于直接对地 (DTE) 通信，同时使用来自地球的测距辐射测量进行导航。早在阿波罗任务初期（Farquhar，1971），月球中继基础设施的优势就已初见端倪，中国嫦娥四号任务最近的月球背面着陆也证明了这一点（Gao 等人，2019；后者专注于将遥测数据传送到地面，而不是提供独立的轨道确定和导航解决方案）。月球探测任务数量的增长趋势正在产生部署月球通信和导航基础设施以支持国际社会的需求。这反过来又可以成为更多公共和私人全球地月计划的催化剂。
太空机器人月球着陆器
Astrobotic 的着陆器可以将有效载荷送至月球轨道和月球表面。虽然轨道会因任务不同而变化，但 Peregrine 和 Griffin 通常保持在三个不同的月球轨道 (LO) 中，其中两个可用于部署有效载荷。近地点始终为 100 公里，而远地点则通过月球轨道插入 (LOI) 机动从 8700 公里减小到 100 公里的圆形轨道。轨道倾角通常由表面着陆点决定。
100 公斤级小型卫星、绿色推进剂反应控制系统 (GPRCS) 和月球着陆器推进器/储罐 (SLIM) 的开发,三菱重工技术评论 Vol.58 No.4(2021)
三菱重工株式会社 (MHI) 除了主营业务的发射服务和与空间站和国际太空探索相关的工作外，还致力于小型卫星的开发。我们最近收到了日本宇宙航空研究开发机构 (JAXA) 的订单，要求开发和运营 RAPid 创新有效载荷演示卫星 3，并正在推进这颗卫星的开发，以确保在低成本和短期开发的限制范围内的可靠性。此外，在小型卫星推进系统的开发方面，我们已经完成了绿色推进剂推进系统的开发和在轨演示，并计划在未来进入小型卫星市场。此外，我们还收到了 JAXA 的订单，要求为月球探测智能着陆器 (SLIM) 提供主推进器和推进剂箱，目前正在进行开发。我们还计划将它们应用于未来使用小型卫星或探测器的太空探索。