پژوهش
پژوهشگران روشی ریسک‌محور برای برنامه‌ریزی بازرسی چندماهواره‌ای در مدار پایین زمین پیشنهاد کردند
این روش با یادگیری توزیع کامل بازده مأموریت، به فضاپیمای خدمات‌رسان کم‌رانش کمک می‌کند هدف بعدی را با درنظرگرفتن میانگین و واریانس بازده پیش‌بینی‌شده انتخاب کند.
پژوهش تازه‌ای که به‌صورت پیش‌چاپ در arXiv منتشر شده، روشی تطبیقی برای برنامه‌ریزی مأموریت‌های بازرسی چندهدفه در مدار پایین زمین معرفی می‌کند. این روش برای فضاپیمای خدمات‌رسانی طراحی شده است که با نیروی رانش کم حرکت می‌کند و باید در شرایط عملیاتی متغیر، ترتیب بازرسی هدف‌ها را تعیین کند.
پایهٔ روش، یادگیری تقویتی توزیعی است؛ رویکردی که به‌جای برآورد یک بازده واحد، توزیع کامل بازده‌های ممکن مأموریت را یاد می‌گیرد. عامل QR-DQN در هر گام با توجه هم‌زمان به امید ریاضی و واریانس بازده پیش‌بینی‌شده، هدف بعدی برای بازرسی را انتخاب می‌کند. چکیدهٔ در دسترس جزئیات نتایج یا میزان بهبود این روش را بیان نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده