Neural networks techniques for spacecraft system identification and attitude control

Recurrent Neural Networks (RNN) used for the replication of nonlinear dynamic systems are used to propagate the dynamics and attitude kinematics of Spacecraft. The non-trivial issues encountered during the training process of RNNs are described and guidelines for obtaining very high levels of accuracy are addressed. Furthermore, a unique universal observer is developed for the estimation of unknown unstructured disturbances present in a dynamic system and compared to a classical Linear Extended State Observer. The universal observer method developed is enhanced with the addition of a second Neural Network level, trained with online data to reconstruct the disturbance dynamics. It leads to the development of a new class of methods for System Identification, able to estimate unknown parameters of any nonlinear dynamic system, in the presence of unknown disturbance. It uses a RNN trained online by dynamic backpropagation to reconstruct the disturbance dynamics and simultaneously estimates the unknown parameters. It is applied to the estimation of a Spacecraft inertia matrix, for which it is impossible to recover the 6 independent parameters via a simple matrix inversion even in the absence of disturbance, and the feasibility in presence of high disturbance is established. A Model-based Predictive Control (MPC) method using a RNN for the time propagation of the states in a finite horizon optimization is developed and studied. A second Neural Network that outputs the control torques is added, trained with optimal data, leads to a very low computational on-board cost and results close to optimality. Finally, this tool is adapted to the control of Boolean input systems. The solution developed in this paper involves an optimization based on a genetic algorithm, and a neural controller using Multi-Layer Perceptron (MLP) techniques borrowed from pattern recognition. Applied to an under-actuated spacecraft with four thrusters only, the feasibility and performance of these novel techniques are demonstrated and analyzed.

Le Reti Neurali Ricorrenti (RNN) utilizzate per la replica di sistemi dinamici non lineari sono utilizzate per propagare la dinamica e l’asseto di Spacecraft. Vengono descritti i problemi incontrati durante il processo di apprendimento delle RNN e vengono affrontate le linee guida per ottenere livelli di accuratezza molto elevati. Inoltre, viene sviluppato un unico osservatore universale per la stima di disturbi non strutturati sconosciuti presenti in un sistema dinamico e confrontati con un classico Extended State Observer (ESO). Il metodo dell'osservatore universale sviluppato si arricchisce con l'aggiunta di un secondo livello di Rete Neurale, che apprende con dati online per ricostruire la dinamica dei disturbi. Porta allo sviluppo di una nuova classe di metodi di System Identification, in grado di stimare parametri sconosciuti di qualsiasi sistema dinamico non lineare, in presenza di disturbi sconosciuti. Utilizza un RNN che apprende online tramite backpropagazione dinamica per ricostruire la dinamica del disturbo e contemporaneamente stimare i parametri sconosciuti. Si applica alla stima di una matrice d'inerzia di Spacecraft, per la quale è impossibile recuperare i 6 parametri indipendenti tramite una semplice inversione della matrice anche in assenza di disturbo, e si stabilisce la fattibilità in presenza di un disturbo elevato. Viene sviluppato e studiato un metodo Model-based Predictive Control (MPC) che utilizza una RNN per la propagazione temporale degli stati in un'ottimizzazione dell'orizzonte finito. Una seconda rete neurale che produce i momenti di controllo viene aggiunta, che apprende con dati ottimali, porta ad un costo computazionale a bordo molto basso e risultati vicini all'ottimizzazione. Infine, questo strumento è adattato al controllo dei sistemi di input booleani. La soluzione sviluppata in questo articolo prevede un'ottimizzazione basata su un algoritmo genetico e un controllore neurale che utilizza tecniche Multi-Layer Perceptron (MLP) mutuate dal pattern recognition. Applicato ad un veicolo spaziale sottoattuato con soli quattro propulsori, la fattibilità e le prestazioni di queste nuove tecniche sono dimostrate e analizzate.