L’atterraggio su Marte rappresenta una delle sfide più complesse dell’esplorazione spaziale, a causa delle particolari condizioni atmosferiche e ambientali del pianeta. Ciò introduce vincoli nella pianificazione della discesa. Questa tesi presenta un pianificatore basato sul Deep Reinforcement Learning, sviluppato nel framework Basilisk, che impiega l’algoritmo Proximal Policy Optimization per selezionare waypoint intermedi seguiti da un controllore dedicato. Il terreno è rappresentato mediante dati di elevazione HiRISE del cratere Jezero. Gli agenti vengono addestrati e valutati in ambienti di complessità crescente, passando dal raggiungimento di un bersaglio assegnato all’integrazione di una mappa locale di elevazione e di criteri relativi alla distanza dal suolo e alla pendenza. La valutazione è condotta su 1.000 episodi, considerando successo dell’atterraggio, precisione, velocità finali e consumo di propellente. I risultati mostrano buone prestazioni nell’ambiente iniziale, mentre l’introduzione delle informazioni sul terreno evidenzia criticità nell’apprendimento e una riduzione della precisione. Il lavoro pone le basi per successive estensioni alla selezione autonoma di zone sicure e alla navigazione in presenza di incertezze sensoriali e dinamiche.
DEEP REINFORCEMENT LEARNING PER L'ATTERRAGGIO AUTONOMO SU MARTE IN BASILISK
VALENTE, SAMUELE
2025/2026
Abstract
L’atterraggio su Marte rappresenta una delle sfide più complesse dell’esplorazione spaziale, a causa delle particolari condizioni atmosferiche e ambientali del pianeta. Ciò introduce vincoli nella pianificazione della discesa. Questa tesi presenta un pianificatore basato sul Deep Reinforcement Learning, sviluppato nel framework Basilisk, che impiega l’algoritmo Proximal Policy Optimization per selezionare waypoint intermedi seguiti da un controllore dedicato. Il terreno è rappresentato mediante dati di elevazione HiRISE del cratere Jezero. Gli agenti vengono addestrati e valutati in ambienti di complessità crescente, passando dal raggiungimento di un bersaglio assegnato all’integrazione di una mappa locale di elevazione e di criteri relativi alla distanza dal suolo e alla pendenza. La valutazione è condotta su 1.000 episodi, considerando successo dell’atterraggio, precisione, velocità finali e consumo di propellente. I risultati mostrano buone prestazioni nell’ambiente iniziale, mentre l’introduzione delle informazioni sul terreno evidenzia criticità nell’apprendimento e una riduzione della precisione. Il lavoro pone le basi per successive estensioni alla selezione autonoma di zone sicure e alla navigazione in presenza di incertezze sensoriali e dinamiche.| File | Dimensione | Formato | |
|---|---|---|---|
|
Deep Reinforcement Learning per l’atterraggio autonomo in Basilisk.pdf
File consultabile da postazioni biblioteca
Dimensione
2.66 MB
Formato
Adobe PDF
|
2.66 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14253/111119