랑데뷰, 근접 운용 및 도킹
Rendezvous, Proximity Operation & Docking

RNN을 활용한 샘플링 기반 경로 최적화 알고리즘

Sampling-Based Trajectory Optimization using Recurrent Neural Network (RNN)

기존의 경로 계획 알고리즘인 순차 컨벡스 계획법, RRT*, 모델 예측 경로 적분 기법 등이 갖고 있는 각각의 문제들(비볼록 제약 조건, 계산량, 최적화 등)을 극복하기 위하여, RNN을 활용한 샘플링 기반 경로 최적화 알고리즘을 개발했다. 

To overcome the issues associated with existing path planning algorithms—such as sequential convex programming, RRT*, and model predictive path integral methods (including nonconvex constraints, computational load, and optimization challenges)—we developed a sampling-based path optimization algorithm that utilizes an RNN.

최적화 알고리즘 순서도
Optimization Algorithm Flowchart

최적화된 샘플링 경로들
Optimized sampling trajectories

접근 경로

Approach corridor

자율 근접 운용 및 도킹 알고리즘 개발 및 실증

Autonomous Proximity Maneuvers and Docking Algorithm

장애물이나 외란이 존재하거나, 존재목표 위성이 회전하는 상황 등에서 인간의 개입 없이 위성이 근접 운용 및 도킹을 성공적으로 수행할 수 있는 알고리즘들을 개발하였다. 실시간 비선형 모델 예측 제어, 튜브 기반 강인 모델 예측 제어, Artificial Potential Field 기반 실시간 제어 등을 개발하고 에어베어링 테스트 베드에서 실험적으로 검증하였다.

We developed algorithms that enable a satellite to perform close-proximity operations and docking without human intervention—even in scenarios with obstacles, disturbances, or when the target satellite is rotating. These include real-time nonlinear model predictive control, tube-based robust model predictive control, and artificial potential field-based real-time control, all of which have been experimentally validated on an air-bearing test bed.


회전하는 타겟과 도킹 시뮬레이션Simulation for Docking with a Rotating Target
에어베어링 테스트 베드에서의 도킹 알고리즘 실증Experimental validation of docking algorithm on the POSEIDYN air-bearing test bed
at Naval Postgraduate School