XiaoMi-AI文件搜索系统
World File Search System着陆的
下一代 NASA 危险探测系统开发
I. 简介 用于精确和安全着陆的制导、导航和控制 (GN&C) 技术对于未来机器人科学和载人探索太阳系各个目的地的任务至关重要。这些进入、下降和着陆 (EDL) 技术是美国宇航局精确着陆和危险规避 (PL&HA) 领域的一部分，被认为是空间技术发展路线图 [1] 的高优先级能力，旨在促进和实现新的任务概念。SPLICE 项目，即安全精确着陆 - 综合能力演进 [2]，致力于持续开发传感器、算法和航空电子设备，以用于未来的月球着陆任务。具体来说，SPLICE 正在完善着陆器下降过程中的地形相对导航 (TRN) 和危险检测与规避 (HDA) 的传感器硬件和软件的技术就绪水平 (TRL)。 SPLICE 的所有工作主要基于 NASA 先前在 PL&HA 领域的项目，例如 ALHAT [ 3 – 6 ]、COBALT [ 7 – 10 ] 和 LVS [ 11 ]，其中包括多年的传感器开发工作 [12–15] 和各种亚轨道飞行测试。SPLICE 是一套用于精确着陆的 GN&C 技术。表 1 中列出的各个组件可以单独飞行，也可以作为着陆器承载的集成有效载荷飞行。NASA 兰利研究中心开发的导航多普勒激光雷达 (NDL) 提供厘米级的精确速度和测距。NASA 戈达德太空飞行中心开发的危险探测激光雷达 (HDL) 可生成预定着陆目标周围区域的高分辨率数字高程图 (DEM)。 TRN 系统包括摄像头、机载地图和 TRN 算法，这些算法由查尔斯·斯塔克·德雷珀实验室公司为 SPLICE 项目开发和实施 [16]。NASA 喷气推进实验室开发的危险检测算法基于参考文献 [17] 中概述的 ALHAT 算法，并进行了一些修改，以便与新型高清激光雷达 DEM 配合使用并在新型下降和着陆计算机 (DLC) 上运行。约翰逊航天中心开发的 DLC 是一种新型航空电子设备设计，正在开发中，以利用高性能航天计算 (HPSC) 处理器 [18, 19]。随着用于 TRN 和 HDA 的 GN&C 硬件和软件的不断成熟，该项目还在开发高精度模拟环境，包括带有 DLC 的硬件在环 (HWIL) 测试平台和一些在环传感器模拟器。此外，SPLICE 正在对机器人和载人任务的 EDL 架构进行详细建模 [ 20 , 21 ]，以确定未来需求，揭示现有技术差距，并推动传感器技术发展，使即将到来的任务受益，例如 NASA 的 Artemis 和商业着陆器有效载荷服务 (CLPS) 计划。图 1 是主机飞行器上 SPLICE 有效载荷的高级示意图。TRN 和 HDA 的图像处理需要大量计算，因此 DLC 的设计旨在通过处理大部分视觉导航算法来减轻主飞行计算机的负担。在 DLC 上运行的飞行软件利用 NASA 核心飞行
空中交通管制员 (ATC) 单位的脑力负荷分析...
摘要 空中交通管制员 (ATC) 是塔台上的空中交通管制员，负责控制飞机从起飞到着陆的整个过程。ATC是一个脑力劳动负荷较高的职业。这项研究旨在确定印度尼西亚航空巨港分公司空中交通管制员 (ATC) 部门的脑力负荷水平。此类研究是描述性定性研究。研究数据收集是使用 NASA 任务负荷指数、访谈和观察进行的。样本是通过有目的的技术对总共六名知情人进行确定的。研究表明，机场控制塔 (ADC) 单位在时间需求维度 (439.4) 中占主导地位，因为它受到 11 个关键条件的影响。进近控制服务 (APP) 单位在努力维度 (412.2) 中最高，它受到保持最小间隔任务的影响，而区域控制中心 (ACC) 单位在总体绩效维度 (372.2) 中占主导地位，因为所需的成功程度是完美的。机场管制塔台 (ADC) 单位的平均 ATC 脑力负荷为 89，进近管制服务 (APP) 单位为 81，区域管制中心 (ACC) 为 86，均属重脑力负荷因此需要对工作组织实施定期调查和评估。关键词：工作量测量、脑力负荷、NASA TLX、空中交通管制员 参考书目：34 (1988-2016)
无人机自动着陆系统集成了野生环境中的定位，跟踪和降落
无人驾驶汽车（UAV）的抽象高可利用性着陆系统已广泛关注它们在复杂的野生环境中的适用性。准确的定位，灵活的跟踪和可靠的恢复是无人机着陆的主要挑战。在本文中，提出并实施了一个新型的无人机自动着陆系统及其控制框架。它由环境感知系统，无人接地车辆（UGV）以及斯图尔特平台定位，跟踪和自动恢复无人机。首先，开发基于多传感器融合的识别算法是为了借助一维转盘实时定位目标。其次，提出了由UGV和着陆平台组成的双阶段跟踪策略，以动态跟踪着陆无人机。在广泛的范围内，UGV负责通过人工电位场（APF）路径计划和模型预测控制（MPC）跟踪算法进行快速跟踪。虽然在平台控制器中采用了梯形速度计划来补偿UGV的跟踪误差，但在较小范围内实现了对无人机的精确跟踪。此外，一种恢复算法，包括姿态补偿控制器和阻抗控制器，是为Stewart平台设计的，可确保无人机的水平和合规降落。最后，广泛的模拟和实验致力于验证开发系统和框架的可行性和可靠性，这表明它是在野生环境（例如草原，斜坡和雪）中无人用自动降落的卓越案例。
视觉系统中的非线性观察者：应用于民用飞机着陆
如今，民用飞机借助外部技术实现自动着陆。最常用的系统称为 ILS（仪表着陆系统），它允许飞机在无需飞行员操作（监控除外）的情况下着陆。其他定位解决方案包括差分 GPS、IRS（惯性参考系统）或 VOR/DME（甚高频全向测距/距离测量设备）。这些技术并非随处可用（未配备或未知的机场）且并非随时可用（存在故障概率）。为了应对这些问题（获得精确的绝对位置）并扩大自动着陆覆盖范围，将研究使用摄像机作为附加信息源。在过去十年中，摄像机技术取得了技术飞跃，因此为每架飞机配备摄像机似乎既简单又便宜。视觉伺服包括使用视觉传感器和计算机视觉算法来控制系统的运动（参见 [1] 中的教程）。第一类控制称为 PBVS（基于姿势的视觉伺服），包括使用视觉测量来估计相机的偏差或方向。第二类控制称为 IBVS（基于图像的视觉伺服），包括控制图像平面中视觉特征的坐标。过去十年来，人们一直在研究用于飞机自动着陆的 IBVS 解决方案；在 [2][3][4][5][6] 中，提出了制导解决方案，以达到并跟踪所需的进近轨迹。尽管如此，这些方案需要开发具有完整链的新制导律（由图像捕获、图像处理和非线性制导算法组成），这可能难以认证
用于人眼安全闪光激光雷达的盖革模式三维图像传感器
近年来，许多探测器被发射到月球、行星、小行星和彗星进行科学观测。许多探测器都携带了光探测和测距 (LIDAR) 系统，其测量范围从几十公里到几百公里 [1, 2, 3, 4, 5]。我们已经为远程 LIDAR 接收器开发了定制 IC“LIDARX”，它将安装在火星卫星探测器 (MMX) [6] 上。另一方面，如果航天器降落在月球或行星上进行科学观测或资源勘探，航天器的着陆点通常是未开发地点，这些地点可能并不总是着陆的理想地点。在这些未开发地点进行精确着陆需要三维 (3D) 图像，以便在着陆前立即测量地形、避障和检测相对于地面的姿态。美国宇航局的自主着陆和避险技术 (ALHAT) 项目正在开发一种系统，用于快速自主地识别未来行星着陆装置 GN&C 的安全着陆点 [7, 8, 9]。在 ALHAT 中，Flash LIDAR [10, 11, 12, 13] 被定位为障碍物检测的重要传感器。作为一个典型的例子，2016 年发射的 OSIRIS-REx 使用 Flash LIDAR 进行制导、导航和控制 [14, 15, 16, 17]。Flash LIDAR 是一种以类似于闪光摄影的方式捕获 3D 图像的传感器，通过将激光脉冲散射并照射到相机的视场上，相机会
标题：在设计，管理和使用住宅建筑中的BS 9991草案 - 实践守则
第2节：逃逸的设计手段32 5逃脱手段的一般建议32 5.1逃脱门32 5.2逃脱32 5.2窗户33 5.3内部房间33 5.4阳台和阳台和音乐学院34 5.5替代式出口34 5.5开放式厨房34图1 - 逃离厨房的最小分离设施的最低供应途径3。 6.1 Single and two-storey houses 35 Figure 2 – Dwelling with alternative exits from each room not on the floor of entrance 36 6.2 Houses with topmost storey more than 4.5 m but not more than 7.5 m 36 Figure 3 – Alternative arrangements for escape via the access storey in dwellings with internal storeys exceeding 4.5 m in height 37 Figure 4 – Dwelling with open staircase at access level 38 6.3 Houses with a topmost storey higher than 7.5 m以上访问级别38图5 - 带有受保护入口大厅和受保护着陆的住宅39 6.4阁楼转换39 6.5地下室楼层40 7逃离装有公寓和Maisonettes的建筑物的手段41 7.1 General 41 7.2 Refuguges 41 7.3电力轮干和行动型驾驶机41 7.4 On sosant and Managice 41 71 7.4 Ancilly 41 Ancillion 42 Evination 42 Evination 42 Evination 42 Evination 42 Evination 42 Evination 42 Evination 42 Evination 42 - 举升和游说尺寸44 7.7从小建筑物逃脱45
基于稳健深度学习激光雷达的自主太空着陆器姿态估计
在太空着陆操作期间，准确估计航天器的相对姿态对于确保安全成功着陆至关重要。本文提出了一种基于 3D 光检测和测距 (LiDAR) 的 AI 相对导航架构解决方案，用于自主太空着陆。所提出的架构基于混合深度循环卷积神经网络 (DR-CNN)，将卷积神经网络 (CNN) 与基于长短期记忆 (LSTM) 网络的循环神经网络 (RNN) 相结合。获取的 3D LiDAR 数据被转换为多投影图像，并将深度和其他多投影图像输入 DRCNN。该架构的 CNN 模块可以有效地表示特征，而 RNN 模块作为 LSTM，可提供鲁棒的导航运动估计。我们考虑、模拟和实验了各种着陆场景，以评估所提出架构的效率。首先使用 PANGU（行星和小行星自然场景生成实用程序）软件创建基于 LiDAR 的图像数据（范围、坡度和海拔），然后使用这些数据对所提出的解决方案进行评估。建议使用 Gazebo 软件中的仪表化空中机器人进行测试，以模拟在合成但具有代表性的月球地形（3D 数字高程模型）上着陆的场景。最后，使用配备 Velodyne VLP16 3D LiDAR 传感器的真实飞行无人机进行真实实验，以在设计的缩小版月球着陆表面上着陆时生成真实的 3D 场景点云。所有获得的测试结果表明，所提出的架构能够通过良好合理的计算提供良好的 6 自由度 (DoF) 姿势精度。
保护人类遗产的一小步
sec。2。发现；国会意识。（a）f指示。国会做出以下发现：（1）1969年7月16日，阿波罗11号航天器由约翰·肯尼迪（John F.（2）2019年7月20日，标志着阿波罗11号航天器降落在月球上的日期50周年，尼尔·阿姆斯特朗（Neil Armstrong）和巴斯·奥尔德林（Buzz Aldrin）成为第一个踏上地球上天体的人类。（3）Apollo 11航天器和人类的第一个外界足迹的登陆是无与伦比的成就，这是他的工作和毅力的直接产物和毅力的直接产物，这些人对在科学和工程师的肩部肩部的Apollo肩部的发展和毅力都做出了贡献。（4）在成千上万为国家航空和太空管理的成就（在本节中被称为“ NASA''）成就的人中，是凯瑟琳·约翰逊（Katherine Johnson），多萝西·沃恩（Dorothy Vaughn），玛丽·杰克逊（Mary Jackson），玛丽·杰克逊（Mary Jackson）和克里斯汀·达登（Christine Darden），为NASA太空计划做出了重要贡献。凯瑟琳·约翰逊（Katherine Johnson）在美国宇航局（NASA）工作了35年，并计算了阿波罗（Apollo）11着陆的轨迹以及宇航员艾伦·谢泼德（Alan Shepard）和约翰·格伦（John Glenn）的太空飞行的轨迹。凯瑟琳·约翰逊（Katherine Johnson）与许多其他人一起经常没有被认为是没有被确认的工作，帮助扩大了太空旅行的范围，并为人类对太空的探索绘制了新的边界。（5）代表所有人类的阿波罗11号航天器的登陆，尼尔·阿姆斯特朗（Neil Armstrong）和巴斯·奥尔德林（Buzz Aldrin）伴随着70多个国家的领导人的和平信息。
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。
在2040年的月球哨所的ISRU技术部署
本研究的目的是部署Delphi专家启发方法，以更好地了解2040年可持续月球哨所所面临的技术和政策挑战，包括现场资源利用率（ISRU）部署的类型和规模。，我们使用四分之一的李克特量表和两个排名练习在后来进行了三轮Delphi调查，并在后来进行了开放的第一轮和特定问题来评估能量技术和抑制因素。为了为我们的潜在参与者提供更多有关其意见的确定性，并提高了参与度，该研究采用了一种三轮方法，该方法传达给了我们的潜在参与者并决定了前Ante。潜在的参与者是从文献和学术网络中确定的，因为那些对以下领域做出了重大贡献的人：ISRU技术，太空架构，空间资格的电力系统和太空探索。该研究在第一轮中确定了研究人员的20个主要主题，并要求参与者对2040年假设的月球哨所的许多陈述进行评分。从小组的回应中，我们确定了2040年的Lunar哨所开发的三个主要技术挑战。开发高功率的基础结构，着陆器和车辆上升能力以及任务架构和技术方法。我们还确定了2040年的农历前哨基地的三个主要政策挑战：（i）我们和全球政治不稳定，（ii）第一个月球着陆的时间范围可能会延长时间范围，以及（iii）太空中核能的政治厌恶。由于电荷载的不确定性，该组对哨所处的精确能量混合物不确定，但人们普遍同意太阳能PV将是重要的贡献者。核电来源是否可能发挥有用的作用被证明是不确定的，一些参与者指出了太空核电系统的政治厌恶。但是，该命题在每个排名位置上都获得了两票，这表明它具有平坦的分布，包括支持者和批评者。