| Summary: | Les techniques usuelles pour ralentir un véhicule spatial en approche d'un corps céleste en vitesse hyperbolique utilisent des propulseurs et, par conséquent, une masse importante de carburant. Une technique alternative utilisant seulement une fraction du carburant par rapport aux techniques classiques est l'aérocapture. Cette technique consiste à passer dans les basses couches de l'atmosphère du corps céleste pour perdre l'énergie cinétique qui serait habituellement perdue grâce aux propulseurs.Les algorithmes de guidages d'un véhicule spatial lors de l'aérocapture sont tous basés sur des concepts déductifs mathématiques. Ce projet de recherche propose un changement de paradigme, soit l'utilisation de l'intelligence artificielle pour parvenir à des résultats supérieurs aux techniques actuelles. Un réseau de neurones peut, grâce à un simulateur d'aérocapture, apprendre à donner la bonne commande à tout moment de l'aérocapture s'il est soumis à un entraînement adéquat. Le défi réside justement dans l'entraînement. Ce projet de recherche utilise une technique novatrice d'entraînement par algorithme génétique pour réseaux de neurones dans une boucle navigation-guidage-contrôle. Par analogie avec la nature, une population de réseaux de neurones se fait compétition dans un environnement de simulation d'aérocapture et l'évolution de cette population fonctionne selon les principes du darwinisme, c'est-à-dire le succès des individus mieux adaptés. Ce mémoire présente d'abord la conception de la solution proposée au problème de l'aérocapture et ensuite les résultats de simulations comparatives aux algorithmes actuels. Finalement, l'analyse de ces résultats démontre que l'algorithme de guidage par réseau de neurones représente une alternative intéressante pour une éventuelle mission utilisant l'aérocapture.
|
|---|
