Key points are not available for this paper at this time.
Des recherches récentes ont montré les avantages de l'apprentissage profond, un ensemble de techniques d'apprentissage automatique capables d'apprendre des architectures profondes, pour modéliser la perception et l'action robotiques. En termes de navigation et de système de contrôle d'un vaisseau spatial, cela suggère que les architectes profonds peuvent maintenant être considérés pour piloter tout ou une partie du système de prise de décision embarqué. Dans cet article, cette affirmation est examinée plus en détail, en entraînant des réseaux neuronaux artificiels profonds à représenter l'action de contrôle optimale lors d'un atterrissage précis et en supposant des informations d'état parfaites. Il est possible d'entraîner des réseaux profonds à cette fin, et les atterrissages résultants, pilotés par les réseaux entraînés, se rapprochent de ceux simulés de manière optimale. Ces résultats permettent de concevoir un système de contrôle optimal en temps réel embarqué capable de gérer de grands ensembles d'états initiaux possibles tout en produisant une réponse optimale.
Sánchez‐Sánchez et al. (Fri,) ont étudié cette question.