Podrobno

Vodenje raketne stopnje s spodbujevanim učenjem
ID Muhič, David (Avtor), ID Šter, Branko (Mentor) Več o mentorju... Povezava se odpre v novem oknu, ID Ghosh, Swarnendu (Komentor)

.pdfPDF - Predstavitvena datoteka, prenos (3,47 MB)
MD5: FB8E7714EE7ABABCD6E0B488DB8827E4

Izvleček
Vodenje ponovno uporabne raketne stopnje združuje premikanje, vrtenje, spreminjanje mase in omejitve aktuatorjev. Predstavljam nastavljiv simulator v okolju Unity za raziskovanje tega problema s spodbujevanim učenjem. Model vključuje šest prostostnih stopenj, porabo pogonskih snovi, aerodinamične sile in časovni odziv aktuatorjev. Konfiguracije, učni artefakti in telemetrija zagotavljajo sledljivost poskusov. Strategije učim z algoritmom proksimalne optimizacije strategije (angl.\ \emph{Proximal Policy Optimization}, PPO). Ovrednotim lebdenje nad nepremično točko, sledenje zaporedju ciljnih točk in pristanek na štirih nogah. Vsako strategijo preizkusim v 250 epizodah z determinističnim izbiranjem akcij. Pri lebdenju vse epizode dosežejo časovno omejitev 60~s; strategija stabilizira višino in gibanje, vendar ohrani vodoravni odmik. Strategija sledenja doseže 76,4-odstotno uspešnost, pristajalna strategija pa 84,8-odstotno uspešnost na petih enako zastopanih ravneh zahtevnosti. Pri najvišji zahtevnosti uspešnost pristanka znaša 36~\%. Razvojna serija s telemetrijo in preizkusi komponent poveže neželena vedenja s pomanjkljivostmi funkcije nagrade in simulatorja. Preostali omejitvi sta natančnost vodenja in razlika med učenjem ter determinističnim izvajanjem strategije.

Jezik:Slovenski jezik
Ključne besede:spodbujevano učenje, vodenje rakete, ponovna uporabnost, simulacija, Unity
Vrsta gradiva:Diplomsko delo/naloga
Tipologija:2.11 - Diplomsko delo
Organizacija:FRI - Fakulteta za računalništvo in informatiko
Leto izida:2026
PID:20.500.12556/RUL-187595 Povezava se odpre v novem oknu
COBISS.SI-ID:294093059 Povezava se odpre v novem oknu
Datum objave v RUL:11.09.2026
Število ogledov:126
Število prenosov:61
Metapodatki:XML DC-XML DC-RDF
:
Kopiraj citat
Objavi na:Bookmark and Share

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Rocket Stage Guidance using Reinforcement Learning
Izvleček:
Controlling a reusable rocket stage involves translation, rotation, changing mass, and actuator limits. In this thesis, a configurable Unity simulator for investigating this problem using reinforcement learning is presented. The model includes six degrees of freedom, propellant consumption, aerodynamic forces, and actuator response dynamics. Configurations, training artifacts, and telemetry ensure experiment traceability. Policies are trained using Proximal Policy Optimization (PPO). The system is evaluated on hovering above a fixed point, tracking a sequence of target points, and landing on four legs. Each policy is tested in 250 episodes with deterministic action selection. For hovering, all episodes reach the 60~s time limit; the policy stabilizes altitude and motion but retains a horizontal offset. The tracking policy achieves a 76.4\% success rate, and the landing policy achieves 84.8\% across five equally represented difficulty levels. At the highest difficulty, the landing success rate is 36\%. The development runs link unwanted behavior to deficiencies in the reward function and simulator, which are investigated using telemetry and component tests. The remaining limitations concern control accuracy and the difference between training and deterministic policy execution.

Ključne besede:reinforcement learning, rocket control, reusability, simulation, Unity

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj