저추력 궤도 형상 유지 및 분산 교란 보상(신경망 기반)

Low-Thrust Orbit Configuration Maintenance and Distributed Disturbance Compensation (Neural Network-Based)

연구 내용

저추력 환경에서 반주장축 중심 시간 기반 제어와 공동 학습 신경망을 이용해 위성 군집의 궤도 형상을 유지하고 교란을 보상하는 연구

본 연구는 위성 군집이 반복 지상궤도(RGT) 규칙성을 갖도록 설계된 경우, 교란에 의해 궤도 형상이 변형되는 문제를 자율 제어로 해결합니다. 저추력 시스템에서는 복잡한 센서 절차를 줄이기 위해 반주장축만을 활용하는 시간 기반 자율 궤도 제어법과 orbit tube 개념을 적용해 형상을 허용 범위 내로 유지합니다. 또한 RGT-Walker 정규성을 전제로 위성 간 구조·교란 동질성을 공유하여, NN-Shared 방식의 공동 학습 신경망으로 분산 교란 보상과 궤적 오차 저감을 수행하는 차별성을 갖습니다.

관련 프로젝트

0건

연구 흐름

2025년에는 RGT-Walker로 구성한 군집이 실환경 교란에 의해 의도한 궤도 형상을 유지하지 못하는 운영 부담을 확인했습니다. 이에 대해 반주장축만을 이용하는 시간 기반 on–off 자율 제어와 orbit tube를 결합해 궤도 형상을 유지하는 저추력 제어법을 제안했습니다. 같은 해, 반복 궤도의 정규 패턴을 활용해 위성 간 구조·교란 동질성을 학습에 반영하는 NN-Shared 공동 학습 프레임워크를 구축했습니다. 이후 분산 환경에서 교란을 예측·보상하고 제어 노력, 연료 사용, 궤적 오차를 군집 수준에서 평가하는 흐름으로 심화되었습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

저추력 자율 궤도 유지
orbit tube 제어기 설계
반주장축 기반 최소 센서 제어
분산 교란 예측
NN-Shared 공동 학습 제어
연료 절감형 임무 운영
실시간 센서 운용 스케줄링
정밀 궤도 오차 보정
자율 비행 커맨드 생성
딥러닝 기반 교란 보상 모델