考慮動態不確定因素的深空探測器任務規劃

王曉暉，李爽，*

1.南京航空航天大學 航天學院，南京 210016 2.南京航空航天大學 新技術實驗室，南京 210016

考慮動態不確定因素的深空探測器任務規劃

王曉暉1，2，李爽1，2，*

1.南京航空航天大學 航天學院，南京 210016 2.南京航空航天大學 新技術實驗室，南京 210016

針對現有的任務規劃方法在響應深空動態不確定因素的擾動情況時存在的不確定因素識別度低、響應策略單一等問題，文章提出了一種考慮動態不確定因素的深空探測器任務規劃算法。首先，對不確定擾動按從輕到重四個等級進行劃分，并采用模糊神經網絡評估不確定擾動屬于哪種擾動級別，根據評估結果選擇對應的擾動響應策略；然后，采用基于分層任務網絡規劃(Hierarchical Task Network，HTN)的局部任務修復方法，對受到擾動的子系統對應的復合任務重新進行任務分解，完成對初始規劃方案的調整修復。仿真結果表明所提出的算法可以有效地對深空動態不確定因素進行評估和響應，從而提高了任務規劃的可靠性和靈活性。

深空探測；任務規劃；動態不確定因素；模糊神經網絡；分層任務網絡規劃

與傳統的近地航天器相比，深空探測器在實際運行過程中存在以下特點：1)飛行距離遠，任務周期長；2)天地通信存在長時延，不便于地面對探測器進行遙測遙控；3)深空環境復雜惡劣，存在許多未知因素，為探測器安全飛行和順利完成任務帶來挑戰[1-3]。近年來，針對深空探測任務的航天器在軌自主任務規劃技術得到了快速發展，譬如NASA“深空一號”探測器(DS-1)的PS模塊[4]、哈勃空間望遠鏡的自動調度規劃環境(Automated Scheduling and Planning Environment，ASPEN)任務規劃系統[5]、火星探測漫游者(MER)的可擴展通用遠程操作規劃結構(Extensible Universal Remote Operation Planning Architecture，EUROPA)任務規劃系統[6]都為上述探測任務的成功實施發揮了重要作用。

由于空間環境對探測器造成的擾動或損壞、各項活動的執行時間偏差、或者任務臨時更改[7]等原因，探測器在規劃以及規劃方案執行時會存在各式各樣的動態不確定性因素從而導致對探測器已制定的任務規劃方案造成不同程度的干擾，探測器對原方案進行快速合理調整的能力必須加強。因此，有必要在自主任務規劃過程中考慮動態不確定因素對任務規劃和執行造成的影響，并研究相應的響應決策和處理方法。針對動態不確定問題，美國航天局為地球觀測衛星一號(EO-1)研制的CASPER規劃系統[8]采用迭代修復[9-10]的規劃方法，并不是一次產生一個完整的長時段規劃，而是保存一個當前狀態集合和一個當前目標，當出現環境變化或用戶需求變化時，結合智能規劃中的啟發式信息和類似分層規劃的方法優先解決鄰近的沖突以及比較重要的沖突和目標，及時對規劃進行最小調整。李玉慶[11]研究的航天器觀測調度問題主要針對動態不確定環境，研究目的是總結和評估影響觀測調度的不確定因素，為航天器故障識別和重調度方面的研究提供了新思路。目前針對深空環境中動態不確定因素的擾動分析和處理方面的研究還比較缺乏，在任務規劃過程中主要存在兩方面不足：一是缺乏合理的不確定性因素評估方法，無論是早期的重規劃策略[12]，還是現如今應用較多的修復策略[13]，都只是單一固定的規劃調整模式，不能根據不確定性因素特性及實際擾動情況選擇恰當的規劃調整策略；二是修復策略在動作篩選上存在一定的隨機性和盲目性，目前大多數方法還是單靠通過添加動作、移動動作或刪除動作來進行方案修改[14]。

針對上述問題，本文對考慮動態不確定因素的深空探測任務規劃方法進行研究。首先總結和分析了深空環境下可能遇到的不確定性因素的種類及特點，提出了一種評估及響應不確定因素擾動程度的方法；其次提出了考慮動態不確定因素的深空探測任務規劃算法，并采用基于HTN規劃的局部任務復策略對原始規劃進行合理調整；最后并通過具體的仿真算例證明了其有效性。

1 深空環境下動態不確定因素分 類及評估

1.1 動態不確定因素分類

深空探測器所處行星際空間是廣闊的極高空環境，存在著太陽電磁輻射、高能粒子輻射、太陽風等離子體及其磁場，也存在著源于太陽和源于銀河系的宇宙射線離子、圍繞太陽運行的微流星體以及其他一些至今未知的環境因素。這些環境因素具有動態不確定性，會不定時期、不定形式、不定規模地對深空探測器相關子系統造成不同程度的損傷，進而影響探測任務執行。目前針對一般企業生產調度問題中不確定因素的分析和研究較多，主要是按照來源進行分類[15]。由于深空環境存在較大的未知性，很難準確地定性描述探測器在深空運行時可能遭遇的不確定事件，因此按來源進行分類不可行。由于所有的不確定因素作用于探測器時歸根結底都將對探測器本身或其探測任務造成影響，故本文按照影響方式進行分類，根據深空動態不確定因素的特點將其劃分為不確定性故障、不確定性偏差和不確定性事件3個類別，并系統地總結出了18種深空環境下的不確定性因素，如表1所示。

表1 深空環境下的不確定因素

Table 1 Dynamic uncertainties in deep space environment

不確定性因素種類狀態名稱影響程度影響模式不確定性故障平臺系統失效(局部)模糊漸變平臺系統恢復(局部)模糊漸變平臺系統失效(全部)嚴重突變平臺系統恢復(全部)嚴重突變某載荷失效(全部)嚴重突變某載荷恢復(全部)嚴重突變某載荷失效(局部)模糊漸變某載荷恢復(局部)模糊漸變某資源失效(全部)嚴重突變某資源恢復(全部)嚴重突變某資源失效(局部)模糊漸變某資源恢復(局部)模糊漸變整個探測器失效嚴重突變整個探測器恢復嚴重突變不確定性偏差任務執行偏差一般漸變姿軌偏差一般漸變不確定性事件任務更改模糊漸變臨時姿軌控嚴重突變

根據表1可以看出：不確定性故障是指內外部環境變化對探測器本身造成的軟、硬件故障(也可以是恢復)；不確定性偏差是指探測器執行任務時在時間點和精度方面可能造成的偏差；不確定性事件是指由于地面上傳或探測器人為輸入等外部指令造成的任務增加或取消、執行時間和觀測設備的更改、臨時姿軌控等事件。

1.2 評估不確定因素擾動等級

從表1中影響模式來看，突變型的不確定性干擾事件往往會在較短時間內發生重大幅度的變化，其突變性、離散性特點對系統的運行和任務的執行影響惡劣，在這種情況下通常任務會重新規劃或終止。

漸變型不確定因素較突變型因素在擾動評估處理上更為復雜，主要原因是：1)難以精確描述該類不確定因素。該類不確定因素往往存在多個參數，某些參數的定義、分類和處理方法具有模糊性，且參數輸入與響應輸出往往具有非線性映射的特點，因此難以對系統的擾動程度進行計算和判定。2)難以確定響應時機和響應方式。如果擾動沒有得到及時響應，探測器的部分故障或損傷會一直持續累積，有可能造成任務失敗或者系統運行效率低下；如果一有擾動發生就完全響應或者采取的響應方式不當，系統資源消耗會增大，也會對系統的穩定運行造成影響。

對漸變型不確定因素進行處理時，由于各影響參數的定義具有模糊性，模糊理論可以有效地對其參數進行描述，便于后續處理。同時，神經網絡可以很有效地運用其非線性映射能力建立非線性函數的解析表達式來描述參數以及求解參數輸入和響應輸出等級之間的對應關系。此外，神經網絡方法屬于機器學習范疇，其智能性和學習能力更有利于探測器進行長時間的深空遠距離航行。故本文將所提出的擾動程度評估問題作為模式識別與分類問題進行處理，采用基于模糊神經網絡的評估方法。

具體評估方法如下：

步驟1)：不確定性因素種類總結。本文將漸變型不確定因素歸納為6類，如表2所示。

步驟2)：參數模糊化。將原始數據進行歸一化處理并作為神經網絡的輸入，處理方法為求得影響各個參數取值的隸屬度并歸一化至[0，1]。設漸變型不確定因素對系統產生擾動的程度為δ，不確定性因素種類、發生擾動的強度、擾動的累積時間以及擾動的范圍大小為4種影響δ取值的參數類型，如表3所示。

表2 漸變型不確定因素

Table 2 Summary of gradual uncertainty factors

不確定性因素說明探測器平臺失效類(局部)a1探測器平臺系統失效(局部)探測器平臺系統恢復(局部)載荷失效類(局部)a2某載荷失效(局部)某載荷恢復(局部)資源失效類(局部)a3某資源失效(局部)某資源恢復(局部)時間偏差類a4任務執行偏差姿軌偏差類a5姿軌偏差任務更改類a6任務增加、取消；任務優先級、精度、執行時間、觀測設備更改等

表3 擾動參數描述

Table 3 Disturbance parameter description

參數變量值域不確定因素種類A{a1，a2，a3，a4，a5，a6}擾動強度S{s1，s2，s3，s4，s5}擾動范圍R{r1，r2，r3，r4，r5}累積時間T{t1，t2，t3}

其中，S,R,T三項參數均具有模糊性。S(s)={s1,s2,s3,s4,s5}表示不確定因素擾動強度為輕微、弱、適中、強、嚴重；R(r)={r1,r2,r3,r4,r5}表示不確定因素擾動范圍為輕微、小、適中、大、嚴重；T(t)={t1,t2,t3}表示不確定因素累積時間為較短、適中、較長。S,R,T的隸屬度求解方法如下：

擾動強度S有5個模糊子集，其評定依據為產生沖突的動作數量nc與原計劃執行的所有動作數量N的比值，有

對rS在0～1范圍內劃分，采用高斯型隸屬函數作為各模糊集合si(i=1,2,…,5)的隸屬函數，如下：

式中：ei,di分別為高斯函數均值和標準差。

擾動范圍R有5個模糊子集，其評定依據為受影響的子系統數量mc與執行任務的所有子系統數量M的比值。有

累積時間T有3個模糊子集，其評定依據為擾動持續時間tc與任務執行周期I比值：

同擾動強度S一樣，R、T求取隸屬度時均采用高斯型隸屬函數。

步驟3)：神經網絡測試與輸出。本文采用徑向基函數網絡(Radial-Basis Function，RBF)進行擾動程度評估。RBF是一種單隱層的前饋神經網絡，在進行神經網絡訓練時具有較強的非線性逼近能力，比較適合模式識別和分類。利用Matlab神經網絡工具箱設計RBF神經網絡，格式為：

net=newrb(P,T,GOAL,SPREAD,

式中：P為輸入矩陣；T為目標矩陣；GOAL為期望均方誤差和；MN為隱層最大允許神經元數，SPREAD和DF均取1。訓練結束的標志是隱層的神經元數達到允許的最大值或者誤差小于期望誤差。

將表3中漸變型不確定因素的4類參數作為神經網絡的輸入，輸出4種響應決策：

1) 規劃保持現狀；

2) 對原有規劃方案進行修復；

3) 放棄原有規劃方案，重新規劃；

4) 放棄本次任務，采取應急預案。

探測器根據輸出決策的不同，采取不同的處理方式。深空環境下動態不確定因素的整個評估過程可由圖1表示。

圖1 不確定因素擾動程度評估過程Fig.1 Disturbance degree evaluating process

2 基于HTN規劃的局部任務修復 策略

2.1 分層任務網絡

分層任務網絡規劃(HTN)主要由任務網絡、原子任務、復合任務和分解方法構成，是一種基于任務分解思想的智能規劃方法[16]。在規劃過程中，首先將不可直接執行的高層復合任務按照規劃庫中預先制定的分解方法分解為功能單一的原子任務的偏序集，然后在實例化過程中通過搜索消除沖突，得到最終規劃結果。這種“自頂向下”的分解思想可以降低問題求解的復雜性、避免盲目性搜索，從而提高求解效率。

圖2 HTN規劃中某高層任務分解過程Fig.2 Complex mission decomposing process in HTN planning

2.2 基于 HTN規劃的局部任務修復策略

在深空探測具體任務實施過程中，若需要對已有規劃方案進行局部修復時，HTN方法具有一定優勢。在HTN規劃中，高層復合任務表示需要探測器多個系統協同完成，經過逐層分解得到能夠由單個子系統獨立完成的原子任務。因此，在局部或單個子系統發生故障，需要對已有規劃進行修復時，可保留與正常子系統對應的那部分規劃方案，對故障子系統涉及的復合任務重新進行任務分解和實例化。最后對新的規劃方案進行全局檢測，保證新方案與保留方案不存在時序和資源上的沖突。基于HTN規劃的局部任務修復過程如圖3所示。

基于HTN規劃的局部任務修復策略充分利用其“自頂向下”的任務分解思想，對產生故障的子系統對應的復合任務重新進行任務分解。此外，由于在修復過程中使用了相關分解方法，在一定程度上可以避免搜索的隨機性和盲目性。

圖3 基于HTN規劃的局部任務修復過程Fig.3 Local mission repairing process in HTN planning

3 考慮動態不確定因素的深空探 測任務規劃算法

在前面兩節的基礎上，提出了一種考慮動態不確定因素的深空探測任務規劃算法。首先，采用HTN方法得到初始規劃方案；其次，方案執行過程中遇到動態不確定情況時，通過模糊神經網絡對其進行擾動程度評估；最后，根據輸出的響應決策采取保持原規劃、修復、重新規劃、放棄任務等措施。由于算法使用了模糊神經網絡和HTN規劃方法，故算法可簡稱為FNHP算法(Fuzzy + Neural Network + HTN Planning)。FNHP規劃算法框架見圖4。

圖4 FNHP規劃算法框架Fig.4 FNHP planning algorithm framework

在FNHP規劃算法中，初始規劃和重新規劃都采用HTN規劃方法，修復過程也采用了基于HTN的局部修復策略。這樣對于探測器來說更便于進行知識表示和規劃建模，在一定程度上保持了規劃的一致性和系統的協調性。

4 仿真分析

為了驗證本文所提出的FNHP規劃算法在深空探測任務規劃過程中的有效性，本文對深空探測器系統進行建模，并針對深空探測任務設計了規劃問題和4種突發的動態不確定情況，在不確定因素評估和規劃調整過程中使用了FNHP算法。

4.1 規劃模型

以小行星探測為潛在工程任務背景，在建模時采用狀態時間線的表示方法，建立推進器系統、天線系統、電池系統、姿態控制系統、太陽帆板系統、相機系統和存儲器系統這7個子系統模型。另外建立15個狀態模型，各子系統間涉及了32個約束關系。姿態機動時間與姿態軸初末指向有關，電能變化量和存儲器變化量是各系統資源消耗能力、資源補充能力和工作時間的函數。

4.2 神經網絡訓練

利用神經網絡進行識別決策之前需對其進行相關訓練。目前深空飛行由于其任務特殊，導致其實際的任務數據資料難以獲取；另外深空探測自主規劃問題尚處于初步研究階段，在仿真研究時缺乏通用的算例來計算。目前各國學者大多是采用自行設計的任務算例及數據來進行相關仿真驗證。本文設計的樣本，其輸入端隨機產生不確定因素種類，以及分別代表擾動強度、擾動范圍和積累時間的rS,rR,rT數據，運用相關領域知識對輸入端數據進行判斷，得到的響應策略作為輸出端數據。

按照上述方法設計算例，將產生的550例數據分成500例和50例兩部分，前者作為訓練數據，后者作為測試數據。共進行10次訓練和測試，每次隨機選取訓練樣本和測試樣本。某次部分訓練樣本數據如表4所示。

表4 樣本數據

Table 4 Training data

不確定因素種類輸入(歸一化數據)輸出(響應決策)擾動強度rS擾動范圍rR時間累積程度rT1)保持2)修復3)重新規劃4)放棄a50 3696910 6141180 7245650100a20 7819620 3125540 4123140001a40 7257890 9636360 8080361000a10 2632140 5874410 4436750001a30 2810640 9706050 8700930100a60 1765920 0066120 7331700010a20 1493100 1339710 6326730001a40 1358640 8847860 7537440100a30 1957310 2346370 6681720001a60 8560370 0584350 0681350100…………………

需要注意的是，實際仿真過程中，在每次訓練和測試之前，程序都會對輸入的rS,rR,rT數據進行模糊化處理，之后再將處理后的數據進行網絡訓練。對10次測試運行的結果進行統計，其結果見表5。

由表5可知，本文所采用的模糊神經網絡可以在大多數情況下對各種不同程度的擾動進行正確的響應判斷。另外，在深空探測器長期飛行過程中，可根據前期的飛行數據定期對神經網絡進行更新訓練，增強其對真實空間環境的適應能力。

表5 測試結果統計

Table 5 Results of testing

測試次序錯誤決策數量評估精度/%14922198319842965197639472968296939410198

4.3 動態不確定情況下小行星探測任務規劃仿真

在建模及神經網絡訓練完成后，設計小行星探測任務算例，任務目標為飛越某小行星，在飛越的300 s時間內進行5次拍照，在此基礎上設計了4種動態不確定因素。采用FNHP算法對算例進行規劃得到了初始規劃方案，在分別遭遇以上4種不確定情況時，FNHP算法評估得到了不同的響應決策。具體數據如表6所示。

圖5為對不確定情況Ⅰ進行重新規劃前后的方案調整情況(虛線表示對原始規劃的更改)。圖6為對不確定情況Ⅲ進行規劃修復前后的方案調整情況(虛線表示對原始規劃的更改)。表7對比給出了FNHP算法、迭代修復方法和重規劃方法分別對以上4種不確定因素進行處理所得到的運算結果。

從表6可以看出，FNHP算法能夠針對4種擾動程度各異的不確定因素進行評估并產生合理的響應決策；從圖5、圖6的規劃方案調整情況及表7中的時間對比中可以看出，針對輕微擾動因素Ⅱ和嚴重擾動因素Ⅳ，FNHP算法在給出評估結果后不再進行規劃方案調整，總調整時間明顯小于分別只采用迭代修復或重規劃進行規劃方案調整的時間。正是由于采用了恰當的響應決策，使得規劃方案調整前后的方案變化程度和其受到的擾動程度相一致，并且提高了系統的平均響應速度，節約了系統的計算成本。由此可以證明FNHP算法在進行任務規劃和實施的過程中能夠對不同程度的不確定因素擾動進行有效的響應和處理。

表6 4種動態不確定因素

Table 6 Four kinds of dynamic uncertainty

序號發生時刻/s不確定性來源描述種類沖突動作數nc受影響子系統數mc持續時間tc/s輸出響應決策Ⅰ100遭遇高能帶電粒子流(存儲器數據丟失)a315420重新規劃Ⅱ150空間離子輻射(存儲器寫入速率降低)a35180保持原規劃Ⅲ180空間熱環境變化(相機需要重新校準)a272120修復Ⅳ210空間熱環境變化(太陽電池陣部分塊失效)a118590放棄任務

表7 三種規劃算法對比

Table 7 Performance comparison of three planning algorithms

不確定因素迭代修復調整時間/s重規劃調整時間/sFNHP算法擾動評估時間+調整時間/sⅠ0 33(成功)0 24(成功)0 07+0 21(成功)Ⅱ0 06(成功)0 19(成功)0 08+0(成功)Ⅲ0 09(成功)0 14(成功)0 07+0 04(成功)Ⅳ0 39(失敗)0 31(失敗)0 05+0(放棄)總調整時間/s0 870 880 52

圖5 FNHP算法對不確定情況Ⅰ進行重新規劃前后的方案調整情況Fig.5 Planning adjustment for caseⅠ

圖6 FNHP算法對不確定情況Ⅲ進行規劃修復前后的方案調整情況Fig.6 Planning adjustment for case Ⅲ

5 結束語

深空探測器飛行過程中需要靈活高效的任務規劃方法來應對宇宙空間中的動態不確定因素對深空探測任務造成的擾動影響。

本文針對任務規劃過程中存在的不確定性擾動提出了一種新的響應及處理方法，利用模糊神經網絡評估模糊漸變型不確定因素的擾動等級，根據評估結果選擇恰當的規劃方案調整策略，并在參考HTN規劃的基礎上提出了便于局部修復的任務規劃算法。計算機仿真結果表明，FNHP算法能夠有效評估深空動態不確定情況，并及時對原有規劃方案進行合理調整，提高了任務規劃的可靠性和靈活性，是未來深空探測任務規劃可行選擇之一。

References)

[1] 王曉暉，李爽．深空探測器約束簡化與任務規劃方法研究[J]．宇航學報，2016，37(7)：768-774.

WANG X H，LI S. Research on constraint simplification and mission planning method for deep space explorer[J]．Journal of Astronautics，2016，37(7)：768-774(in Chinese).

[2] 崔平遠，徐瑞，朱圣英，等．深空探測器自主技術發展現狀與趨勢[J]．航空學報，2014，35(1)：13-28.

CUI P Y ，XU R ，ZHU S Y ，et al. State of the art and development trends of on-board autonomy technology for deep space explorer[J]．Acta Aeronautica et Astronautica Sinica，2014，35(1)：13-28(in Chinese).

[3] 趙凡宇，徐瑞，崔平遠.啟發式深空探測器任務規劃方法[J]. 宇航學報， 2015，36(5)：496-503.

ZHAO F Y，XU R，CUI P Y. Heuristic mission planning approach for deep space explorer[J]. Journal of Astronautics，2015，36(5)： 496-503(in Chinese).

[4] MUSCETTOLA N，NAYAK P，PELL B，et al. Remote agent：to boldly go where no AI system has gone before[J]. Artificial Intelligence，1998，103(1-2)：5-47.

[5] 陳德相. 航天器任務約束處理與規劃方法研究[D]. 北京：北京理工大學，2015.

CHEN D X. Research of constraint processing and planning method in spacecraft mission[D].Beijing： Beijing Institute of Technology，2015(in Chinese).

[6] DIETZ A，WEMER D，MONTAGNON E，et al. Rosetta/BepiColombo mission planning system：from mission to infrastructure[C]. International Conference on Space Operations 2016，16-20 May，Daejeon，Korea.

[7] 薛志家，楊忠，李晶，等.面向突發性事件的衛星自主任務規劃[J].指揮控制與仿真，2015，37(1)：24-30.

XUE Z J，YANG Z，LI J，et al. Autonomous mission planning of satellite for emergency[J]. Command Control & Simulation. 2015，37(1)：24-30(in Chinese).

[8] KNIGHT R，RABIDEAU G，CHIEN S，et al. Casper：space exploration through continuous planning[J]. Intelligent Systems IEEE，2001，16(5)：70-75.

[9] 彭婷. 基于修復策略的深空探測器自主任務規劃方法研究[D]. 北京：北京理工大學，2012.

P T. Autonomous mission planning method of deep space explorer based on repair planning strategy[D]. Beijing：Beijing Institute of Technology，2012(in Chinese).

[10] 李朝玉，徐瑞. 一種基于時標狀態的啟發式航天器任務規劃算法[J]. 深空探測學報，2015，2(1)：20-25.

LI C Y，XU Y. Time stamped states based Heuristic algorithm for spacecraft mission planning[J]．Journal of Deep Space Exploration，2015，2(1)：20-25(in Chinese).

[11] 李玉慶. 動態不確定環境下航天器觀測調度問題研究[D]. 哈爾濱：哈爾濱工業大學，2008.

LI Y Q. Planning and scheduling spacecraft observations under uncertainties in dynamic environment[D].Harbin：Harbin Institute of Technology，2008(in Chinese).

[12] 王志勇，王永強，王鈞，等. 多星聯合任務規劃方法[J]. 中國空間科學技術，2012，2(1)：9-14.

WANG Z Y，WANG Y Q，WANG J，et al. New multi-satellite scheduling method[J]．Chinese Space Science and Technology，2012，2(1)：9-14(in Chinese).

[13] 郭玉華，李軍，趙珂，等. 多星聯合任務規劃的迭代修復求解技術[J]. 系統工程與電子技術，2009，31(8)：1958-1962.

GUO Y H，LI J，ZHAO K，et al. Iterative repair method for multiple satellites united imaging scheduling[J]. Systems Engineering and Electronics，2009，31(8)：1958-1962(in Chinese).

[14] CHIEN S A ，JOHNSTON M ，FRANK J，et al. A generalized timeline representation，services，and interface for automating space mission operations[C].The 12th International Conference on Space Operations，Stockholm，Sweden，11-15 June，2012.

[15] Honkomp J S，Mockus L，Reklaitis V G.A framework for schedule evaluation with processing uncertainty[J]. Computers and Chemical Engineering，1999，23：595-609.

[16] 冉承新，熊綱要，王慧林，等. 基于HTN 的衛星應用任務分解方法[J]. 中國空間科學技術，2010，30(3)：76-82.

RAN C X ，XIONG G Y ，WANG H L，et al. Satellite application mission decomposition method based on hierarchical task network[J]．Chinese Space Science and Technology，2010，30(3)：76-82(in Chinese).

(編輯：車曉玲)

A mission planning method for deep space explorer considering dynamic uncertainties

WANG Xiaohui1，2，LI Shuang1，2，*

1. School of Astronautics，Nanjing University of Aeronautics & Astronautics，Nanjing 210016，China 2. New Technology Laboratory of Nanjing University of Aeronautics & Astronautics，Nanjing 210016，China

A new mission planning algorithm was proposed to deal with the problems of low identifiability of dynamic uncertainties and singleness of response strategy in traditional mission planning algorithms for deep space explorer. Firstly，the level of disturbance generated by dynamic uncertainties was divided into four levels. Fuzzy neural network was used to evaluate the level of uncertainties，and it can help to choose the appropriate response strategy. Secondly，a local mission repair planning method based on hierarchical task network (HTN) was proposed to re-decompose the invalid complex missions caused by the disturbance of uncertainties when the response strategy was repair planning strategy. Finally，computer simulation results show that the proposed algorithm can effectively evaluate and respond to deep-space dynamic uncertain factors，and therefore improve the reliability and flexibility of the mission planning algorithm.

deep space exploration；mission planning；dynamic uncertainties；fuzzy neural network；hierarchical task network

10.16708/j.cnki.1000-758X.2016.0069

2016-07-09；

2016-08-05；錄用日期：2016-11-24；

時間：2016-12-16 11:29:03

http:∥www.cnki.net/kcms/detail/11.1859.V.20161216.1129.004.html

國家自然科學基金 (11672126, 61273051)；中國科學院太空應用重點實驗室開放基金(LSU-2016-04-01)；南京航空航天大學研究生創新基地(實驗室)開放基金(kfjj20151501)

王曉暉(1991-)，女，碩士研究生，wxh_2013@126.com，研究方向為深空探測自主任務規劃技術

*通訊作者：李爽(1978-)，男，教授，博導，lishuang@nuaa.edu.cn，研究方向為航天器動力學與控制，深空探測技術

王曉暉，李爽. 考慮動態不確定因素的深空探測器任務規劃[J].中國空間科學技術，2016，36(6)：29-37.

WANGXH，LIS.Amissionplanningmethodfordeepspaceexplorerconsideringdynamicuncertainties[J].ChineseSpaceScienceandTechnology，2016，36(6)：29-37(inChinese).

V476

A

http:∥zgkj.cast.cn