Resumen

Presentamos un nuevo método para diseñar el controlador para la entrada atmosférica de la cápsula de Marte utilizando redes neuronales profundas y datos de entrada de Apolo probados en vuelo. El controlador se entrena para modular el ángulo de inclinación con datos de las simulaciones de entrada de Apolo. El controlador de la red neuronal reproduce los resultados clásicos de Apolo sobre una variación de las condiciones iniciales del estado de entrada. Comparado con el controlador de Apolo como línea de base, el presente enfoque alcanza el mismo nivel de precisión para la dinámica de entrada tanto lineal como no lineal. El controlador entrenado en Apolo se aplica entonces a las misiones de entrada en Marte. Al igual que en el entorno terrestre, el controlador alcanza el nivel de precisión deseado para las misiones en Marte utilizando dinámicas de entrada tanto lineales como no lineales con mayores incertidumbres en los estados de entrada y la densidad atmosférica. La red neuronal profunda se entrena únicamente con datos de la simulación de reentrada del Apolo en un modelo terrestre y funciona tanto en entornos terrestres como marcianos. Consigue la precisión de aterrizaje deseada para una cápsula de Marte. Este método funciona tanto con integración lineal como no lineal y puede generar los comandos de ángulo de inclinación en tiempo real sin una trayectoria preestablecida.

• Materias:Motores (Mecánica) Vehículo espacial Ingeniería Aeronáutica
• Subjects:Engines Space vehicles Aeronautical Engineering
• Palabras claves:nivel de precisión, dinámica de entrada no lineal, red neuronal profunda, ángulo de inclinación, estado de entrada, cápsulas mar, variación de entrada, simulación de reentrada apolo, misión de entrada mar, precisión de aterrizaje deseada
• Keywords:level of accuracy, nonlinear entry dynamic, deep neural network, bank angle, entry state, mar capsules, variation of entry, apollo reentry simulation, mar entry mission, desired landing accuracy