基于人工智能的航天器轨道拦截的燃料控制方法、装置及介质

1.本发明实施例涉及航天器控制技术领域，尤其涉及一种基于人工智能的航天器轨道拦截的燃料控制方法、装置及介质。


背景技术：

2.对于在空间中运行的合作或非合作目标航天器，由于任务的需要，常常需要对他们进行近距离地观测。这种观测任务往往不需要任务航天器与目标航天器在空间中相对静止，所以这类观测任务本质上可以认为是一个拦截问题。那么，针对一段特定时间段内的轨道拦截问题，目前常规方案是采用兰伯特遍历算法，但是这种算法的缺点是计算量较大，计算效率比较低，因此在星上系统算力较低的情况下应用十分受限。


技术实现要素：

3.有鉴于此，本发明实施例期望提供一种基于人工智能的航天器轨道拦截的燃料控制方法、装置及介质；能够降低计算量以及提高计算效率，更加适用于星系统；此外，还能够准确、可靠地获得所需的机动控制脉冲以进行精确的轨道拦截控制。
4.本发明实施例的技术方案是这样实现的：
5.第一方面，本发明实施例提供了一种基于人工智能的航天器轨道拦截的燃料控制方法，所述方法包括：
6.通过设定的高精度轨道动力学模型进行递推，获得任务航天器与目标航天器在预设时间段内每个采样时刻分别对应的轨道信息；
7.针对所述每个采样时刻，根据所述任务航天器在所述每个采样时刻的轨道信息以及所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息，利用二体条件下的兰伯特问题解算，获得所述每个采样时刻对应的轨道机动控制脉冲；
8.根据所述任务航天器在每个采样时刻的轨道信息、所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息以及所述每个采样时刻对应的机动脉冲构建训练数据集；
9.利用所述训练数据集训练预设的神经网络模型，获得轨道信息-机动脉冲之间对应关系的拟合函数；
10.所述任务航天器的星上系统根据所述拟合函数计算获得设定的机动时间内的燃料最优的轨道机动控制脉冲。
11.第二方面，本发明实施例提供了一种基于人工智能的航天器轨道拦截的燃料控制装置，所述装置包括：递推部分、兰伯特解算部分、构建部分、神经网络训练部分以及计算部分；其中，
12.所述递推部分，经配置为通过设定的高精度轨道动力学模型进行递推，获得任务航天器与目标航天器在预设时间段内每个采样时刻分别对应的轨道信息；
13.所述兰伯特解算部分，经配置为针对所述每个采样时刻，根据所述任务航天器在所述每个采样时刻的轨道信息以及所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息，利用二体条件下的兰伯特问题解算，获得所述每个采样时刻对应的轨道机动控制脉冲；
14.所述构建部分，经配置为根据所述任务航天器在每个采样时刻的轨道信息、所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息以及所述每个采样时刻对应的机动脉冲构建训练数据集；
15.所述神经网络训练部分，经配置为利用所述训练数据集训练预设的神经网络模型，获得轨道信息-机动脉冲之间对应关系的拟合函数；
16.所述计算部分，包括所述任务航天器的星上系统，用于根据所述拟合函数计算获得设定的机动时间内的燃料最优的轨道机动控制脉冲。
17.第三方面，本发明实施例提供了一种计算设备，所述计算设备包括：通信接口，存储器和处理器；其中，
18.所述通信接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
19.所述存储器，用于存储能够在所述处理器上运行的计算机程序；
20.所述处理器，用于在运行所述计算机程序时，执行第一方面所述基于人工智能的航天器轨道拦截的燃料控制方法的步骤。
21.第四方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于人工智能的航天器轨道拦截的燃料控制程序，所述基于人工智能的航天器轨道拦截的燃料控制程序被至少一个处理器执行时实现第一方面所述基于人工智能的航天器轨道拦截的燃料控制方法的步骤。
22.本发明实施例提供了一种基于人工智能的航天器轨道拦截的燃料控制方法、装置及介质；根据高精度轨道预报获得的任务航天器与目标航天器的轨道信息进行预计算获得数据集；接着利用数据集训练神经网络以获得拟合函数，使其达到高精度拟合效果，最终使用该拟合函数在星上系统进行轨道拦截计算，从而无需在星上系统进行复杂且计算量大的兰伯特问题解算，提高了计算效率，降低了计算量，能够在星上系统计算资源有限的情况下准确、可靠地获得所需的机动控制脉冲以进行精确的轨道拦截控制。
附图说明
23.图1为本发明实施例提供的一种基于人工智能的航天器轨道拦截的燃料控制方法流程示意图；
24.图2为本发明实施例提供的常用坐标系示意图；
25.图3为本发明实施例提供的x坐标轴对应的位置误差示意图；
26.图4为本发明实施例提供的y坐标轴对应的位置误差示意图；
27.图5为本发明实施例提供的z坐标轴对应的位置误差示意图；
28.图6为本发明实施例提供的基于lambert理论的航天器交会过程示意图；
29.图7为本发明实施例提供的椭圆转移轨道示意图；
30.图8为本发明实施例提供的bp神经网络结构示意图；
31.图9为本发明实施例提供的bp神经网络模型的训练效果图一；
32.图10为本发明实施例提供的bp神经网络模型的训练效果图二；
33.图11为本发明实施例提供的bp神经网络模型的训练效果图三；
34.图12为本发明实施例提供的修正后的控制效果示意图；
35.图13为本发明实施例提供的一种基于人工智能的航天器轨道拦截的燃料控制装置组成示意图；
36.图14为本发明实施例提供的另一种基于人工智能的航天器轨道拦截的燃料控制装置组成示意图；
37.图15为本发明实施例提供的一种计算设备的硬件结构示意图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
39.参见图1，其示出了本发明实施例提供的一种基于人工智能的航天器轨道拦截的燃料控制方法，所述方法包括：
40.s101：通过设定的高精度轨道动力学模型进行递推，获得任务航天器与目标航天器在预设时间段内每个采样时刻分别对应的轨道信息；
41.s102：针对所述每个采样时刻，根据所述任务航天器在所述每个采样时刻的轨道信息以及所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息，利用二体条件下的兰伯特问题解算，获得所述每个采样时刻对应的轨道机动控制脉冲；
42.s103：根据所述任务航天器在每个采样时刻的轨道信息、所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息以及所述每个采样时刻对应的机动脉冲构建训练数据集；
43.s104：利用所述训练数据集训练预设的神经网络模型，获得轨道信息-机动脉冲之间对应关系的拟合函数；
44.s105：所述任务航天器的星上系统根据所述拟合函数计算获得设定的机动时间内的燃料最优的轨道机动控制脉冲。
45.通过上述技术方案，根据高精度轨道预报获得的任务航天器与目标航天器的轨道信息进行预计算获得数据集；接着利用数据集训练神经网络以获得拟合函数，使其达到高精度拟合效果，最终使用该拟合函数在星上系统进行轨道拦截计算，从而无需在星上系统进行复杂且计算量大的兰伯特问题解算，提高了计算效率，降低了计算量，能够在星上系统计算资源有限的情况下准确、可靠地获得所需的机动控制脉冲以进行精确的轨道拦截控制。
46.对于图1所示的技术方案，在一些实现方式中，为了进一步提高轨道拦截控制的精确度，所述方法还包括：
47.根据所述高精度轨道动力学模型对所述燃料最优的轨道机动控制脉冲进行修正，以提高拦截机动控制的精度。
48.对于上述技术方案，在一些可能的实现方式中，所述高精度轨道动力学模型如式1所示：
[0049][0050]
其中，v
x
、vy、vz分别表示所述任务航天器或所述目标航天器在地球惯性坐标系下的x、y、z轴方向的速度；x、y、z分别表示所述任务航天器或所述目标航天器在地球惯性坐标系下的x、y、z轴方向的位置；a
x
、ay、az分别表示所述任务航天器或所述目标航天器在地球惯性坐标系下的x、y、z轴方向的加速度；上标
·
表示一阶导数运算符；r表示所述任务航天器或所述目标航天器质心到地心的距离；μ表示地球引力常数；f
x
、fy、fz分别表示所述任务航天器或所述目标航天器受到的非保守力产生的加速度在地球惯性坐标系下的x、y、z轴方向的分量；所述任务航天器或所述目标航天器受到的非保守力中所包含的干扰项至少包括地球非球形引力摄动干扰、四阶带谐项摄动干扰以及大气阻力摄动干扰。
[0051]
对于上述实现方式，具体来说，通常在航天器姿态和轨道动力学研究中，常用的坐标系包括地心惯性坐标系(eci，earth centered inertial frame)、地心地固坐标系(ecef，earth centered earth fixed frame)、航天器轨道坐标系(lvlh，local vertical local horizontal frame)和航天器体坐标系，各自坐标系对应的坐标轴如图2所示。在图2中，xj、yj、zj为eci坐标系，也可以称之为j2000.0坐标系的坐标轴示意；xe、ye、ze为ecef坐标系的坐标轴示意；x
l
、y
l
、z
l
则为lvlh坐标系的坐标轴示意。
[0052]
在本发明实施例中，优选eci坐标系，那么在该坐标系下任务航天器或目标航天器的轨道动力学方程如式1所示。针对式1，详细来说，通常把地球假设为均匀球体，此时地球对航天器的引力仅与地心距的平方成反比，与航天器的经纬度无关，在此假设条件下，航天器在地球中心引力场中运行，运动特性完全可以由开普勒定律进行描述。实际上地球的质量是分布不均匀的，它是不规则的扁状球体，赤道半径与其极轴并不相等，赤道呈轻微的椭圆状，导致航天器轨道的切线和法线方向同时受到引力作用，这些因素就被称为地球非球形引力摄动。从而造成地球引力的等位面与等球面不重合，需要在引力位函数中添加一系列球面调和函数，这些函数称为摄动函数。
[0053]
对于近地球轨道航天器而言，地球摄动主要产生于地球的扁状，在地球引力势函数中，一般忽略田谐项的影响，仅考虑带谐项引力位函数，本发明实施例考虑了4阶带谐项(j2、j3、j4)。其中，还可以用fe代表除了带谐项摄动之外的其他干扰。
[0054]
其次，在中低轨道高度上，与地球表面相比大气密度比较低，但是当航天器以较高速度、长时间在大气中飞行，大气阻力的积累最终会在航天器的轨道摄动上体现其影响，从而导致航天器轨道运动的发散。本发明实施例以大气分子摩擦航天器表面建立阻力模型，得到大气产生的阻力模型如式2所示：
[0055][0056]
其中：ρ为大气密度；vr为大气相对于航天器的速度；cd为阻力系数，取值一般为2.2-2.6；a
p
为迎流面面积；c
p
为航天器质心至压心矢径；v为来流方向单位矢量。
[0057]
此外，在本发明实施例中，优选使用了“wgs84-egm96”地球引力场模型，大气阻力采用了“us standard 1976”模型。
[0058]
基于上述模型以及轨道动力学方程，本发明实施例以表1所示的轨道信息作为航天器的轨道初始参数示例。
[0059]
初始时间utc2010-01-01 04：00：00rx/km773.923949ry/km-3514.073825rz/km5506.746152v
x
/km
×
s-1-0.578737vy/km
×
s-1
6.580464vz/km
×
s-1
4.11792
[0060]
基于表1所示的轨道初始参数，可以根据上述轨道动力学方程以及模型递推获得任务航天器与目标航天器在预设时间段内每个采样时刻分别对应的轨道信息。设定预设时间段为一天，那么递推获得的轨道信息与由卫星仿真软件(stk)仿真获得的轨道信息相比，x、y、z坐标轴对应的位置误差分别如图3至图5所示。由图3至图5可以看出，在一天内，递推获得的轨道信息与由卫星仿真软件(stk)仿真获得的轨道信息之间的位置误差低不超过1.5km，改进度符合精度需求。
[0061]
对于图1所示的技术方案，在一些可能的实现方式中，所述针对所述每个采样时刻，根据所述任务航天器在所述每个采样时刻的轨道信息以及所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息，利用二体条件下的兰伯特问题解算，获得所述每个采样时刻对应的轨道机动控制脉冲，包括：
[0062]
针对所述每个采样时刻，执行以下步骤：
[0063]
将所述任务航天器在当前采样时刻的轨道信息作为初始起点p1并将所述目标航天器在所述当前采样时刻增加转移时间段tf后的轨道信息作为终点p2；
[0064]
设定所述初始起点p1和所述终点p2的位置矢量分别为r1和r2，椭圆轨道的焦点位于地心，所述初始起点p1和所述终点p2处的时刻分别为t1和t2，转移角为θ；
[0065]
根据兰伯特定理，椭圆转移轨道上的转移时间段tf满足式2：
[0066]
tf＝f(a,r1+r2,c)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0067]
其中，a表示椭圆转移轨道半周长，c表示初始起点到终点之间的距离，r1+r2表示初始起点与终点分别至椭圆转移轨道焦点的距离之和；
[0068]
根据式2，确定如式3所示的兰伯特公式为：
[0069][0070]
其中，s＝(r1+r2+c)/2；
[0071]
设定并且将α,β,λ认定为拉格朗日参数，则有：
[0072][0073]
其中，tm表示最小能量转移时间且当am＝s/2时，
[0074]
基于以上参数及变换，确定兰伯特飞行定理如式4所示：
[0075][0076]
其中，sgn(
·
)为符号函数；
[0077]
针对设定的轨道转移时间t
f1
，令f(λ)＝t
f1-tf，利用牛顿迭代法解方程f(λ)＝0，可获得迭代公式如式5所示：
[0078][0079]
当|λ
n+1-λn|＜ε时，即可得到方程的解λ
n+1
＝λn；
[0080]
设定f'(λn)是f(λ)＝0对λ的导数在λ＝λn处的值，则有f'(λn)表达式如式6所示：
[0081][0082]
基于f(λ)是λ的单调函数且方程f(λ)＝0存在唯一解，转移轨道的轨道根数与λ的关系如式7所示：
[0083][0084]
根据式7获得的转移轨道根数，计算得到在转移轨道上飞行器的初始速度v
r1
，并结合已知的初始起点和终点的速度v1，根据式8计算得到制动速度v为：
[0085]
v＝v
r1-v1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0086]
其中，所述制动速度用于确定轨道拦截的机动脉冲。
[0087]
对于上述实现方式，具体来说，兰伯特(lambert)问题是指在固定时间约束下的两点边值问题，它是航天器轨道动力学的经典和基本问题，在空间技术领域得到普遍应用。该问题的具体描述是：在空间中，记起始点位置为p1，终点位置为p2，则相对引力中心的初始位置矢量r1和终端位置矢量r2确定。设转移时间tf固定，求圆锥曲线转移轨道，使得航天器从初始点位置p1出发，在经过时间tf后，恰好到达目标位置p2。
[0088]
基于lambert理论的航天器交会过程如图6所示。飞行器起点位于初始轨道p1的点，沿着转移轨道，经过时间tf飞行至位于目标轨道的p2点。如图6所示，初始起点p1和终点
p2的位置矢量分别为r1和r2，图7所示的椭圆转移轨道的焦点位于地心，初始起点p1和终点p2处的时刻分别为t1和t2，其转移角为θ。根据lambert定理，如式1所示，椭圆转移轨道上两点的转移时间tf仅与椭圆的半长轴a、两点半径之和(r1+r2)以及转移角θ有关。此外，对于上述实现方式，当am＝s/2时，其对应着一条特殊的椭圆转移轨道。此时α和β的值分别为：αm＝π以及
[0089]
需要说明的是，通过上述实现方式，就能够根据所述任务航天器在所述每个采样时刻的轨道信息以及所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息求解得到每个采样时刻对应的机动脉冲。这些数据就可以作为后续训练神经网络的训练数据集。
[0090]
基于此，在一些示例中，所述根据所述任务航天器在每个采样时刻的轨道信息、所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息以及所述每个采样时刻对应的机动脉冲构建训练数据集，包括：
[0091]
将所述任务航天器在每个采样时刻的轨道信息、所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息构建输入数据集；
[0092]
将每个采样时刻对应的机动脉冲构建输出数据集。
[0093]
基于上述示例，在一些示例中，所述利用所述训练数据集训练预设的神经网络模型，获得轨道信息-机动脉冲之间对应关系的拟合函数，包括：
[0094]
初始化一个神经网络模型；其中，所述神经网络模型的输入端为12维，输出端为3维；
[0095]
针对每个采样时刻，将输入数据集中的轨道信息输入至所述神经网络模型以获得模型输出数据；
[0096]
根据所述模型输出数据与所述输出数据集中对应采样时刻的机动脉冲进行比较，并根据比较结果训练所述神经网络模型的参数，直至比较结果符合设定的精度要求；
[0097]
将训练后的神经网络模型确定为所述轨道信息-机动脉冲之间对应关系的拟合函数。
[0098]
对于上述示例，具体来说，bp神经网络是比较经典的一种神经网络，其由输入层、隐藏层和输出层构成。本发明实施例优选采用如图8所示的典型的bp神经网络模型进行训练，对于该神经网络模型来说，输入为所述任务航天器在每个采样时刻的轨道信息以及所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息这两个信息，输出为经过神经网络计算得到的机动脉冲信息。在bp学习算法中，各层权值调整公式形式上都是一样的，均由3个因素决定，即：学习率、本层输出的误差信号、本层输入信号。其中输入层误差信号与网络的期望输出与实际输出之差有关，直接反应了输出误差，而各隐层的误差信号与前面各层的误差信号有关，是从输出层开始逐层反传过来的。
[0099]
训练数据集中训练数据的格式为：输入某一时刻下的任务航天器的轨道信息(6维)，以及该时刻加转移时间段后的目标航天器的轨道信息(6维)；输出这一时刻下的机动脉冲(3维)。也就是说，相当于最终训练得到的神经网络模型所对应的拟合函数是一个12维输入，3维输出的函数。
[0100]
对于上述技术方案及其实现方式和示例，设定任务航天器a与目标航天器b的轨道
信息如表2所示：
[0101][0102]
通过在一天时间内按照s101进行轨道递推并获得训练数据集，使用上述bp神经网络模型进行训练，最终得到的训练效果图如图9至图11所示。其中图9体现了神经网络的训练状态，第一个子图代表了神经网络拟合出的函数对训练集下降的梯度，第二个子图代表了测试均方误差，第三个子图代表了用拟合出的神经网络验证成功的轮次；图10为具有20个bin的误差直方图，是神经网络训练中比较常见的体现训练效果的图例，直方图越集中证明效果越好；图11代表拟合的神经网络函数对于测试集的拟合效果，验证点结合在拟合线附近，说明神经网络拟合函数拟合效果良好。
[0103]
在一些示例中，当根据训练完毕的神经网络模型计算得到机动脉冲后，可以结合考虑高精度轨道动力学模型对神经网络模型的计算结果加以修正，最终得到的控制脉冲，其控制效果参见图12，该图示出了任务航天器(也可称之为平台)与目标航天器(也可称之为目标)之间的相对距离随时间变化的曲线，从该曲线可以看出，两者之间的最小距离仅有0.05521km。符合轨道拦截的精度要求。
[0104]
基于前述技术方案相同的发明构思，参见图13，其示出了本发明实施例提供的一种基于人工智能的航天器轨道拦截的燃料控制装置130，所述装置130可以包括：递推部分1301、兰伯特解算部分1302、构建部分1303、神经网络训练部分1304以及计算部分1305；其中，
[0105]
所述递推部分1301，经配置为通过设定的高精度轨道动力学模型进行递推，获得任务航天器与目标航天器在预设时间段内每个采样时刻分别对应的轨道信息；
[0106]
所述兰伯特解算部分1302，经配置为针对所述每个采样时刻，根据所述任务航天器在所述每个采样时刻的轨道信息以及所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息，利用二体条件下的兰伯特问题解算，获得所述每个采样时刻对应的轨道机动控制脉冲；
[0107]
所述构建部分1303，经配置为根据所述任务航天器在每个采样时刻的轨道信息、所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息以及所述每个采样时刻对应的机动脉冲构建训练数据集；
[0108]
所述神经网络训练部分1304，经配置为利用所述训练数据集训练预设的神经网络模型，获得轨道信息-机动脉冲之间对应关系的拟合函数；
[0109]
所述计算部分1305，包括所述任务航天器的星上系统，用于根据所述拟合函数计算获得设定的机动时间内的燃料最优的轨道机动控制脉冲。
[0110]
在一些示例中，如图14所示，所述装置130还包括修正部分1306，经配置为根据所述高精度轨道动力学模型对所述燃料最优的轨道机动控制脉冲进行修正，以提高拦截机动控制的精度。
[0111]
在一些示例中，所述高精度轨道动力学模型如式1所示。
[0112]
在一些示例中，所述兰伯特解算部分1302，经配置为：
[0113]
针对所述每个采样时刻，执行以下步骤：
[0114]
将所述任务航天器在当前采样时刻的轨道信息作为初始起点p1并将所述目标航天器在所述当前采样时刻增加转移时间段tf后的轨道信息作为终点p2；
[0115]
设定所述初始起点p1和所述终点p2的位置矢量分别为r1和r2，椭圆轨道的焦点位于地心，所述初始起点p1和所述终点p2处的时刻分别为t1和t2，转移角为θ；
[0116]
根据兰伯特定理，椭圆转移轨道上的转移时间段tf满足式2；
[0117]
根据式2，确定如式3所示的兰伯特公式；
[0118]
设定并且将α,β,λ认定为拉格朗日参数，则有：
[0119][0120]
其中，tm表示最小能量转移时间且当am＝s/2时，
[0121]
基于以上参数及变换，确定兰伯特飞行定理如式4所示；
[0122]
针对设定的轨道转移时间t
f1
，令f(λ)＝t
f1-tf，利用牛顿迭代法解方程f(λ)＝0，可获得迭代公式如式5所示；
[0123]
当|λ
n+1-λn|＜ε时，即可得到方程的解λ
n+1
＝λn；
[0124]
设定f'(λn)是f(λ)＝0对λ的导数在λ＝λn处的值，则有f'(λn)表达式如式6所示；
[0125]
基于f(λ)是λ的单调函数且方程f(λ)＝0存在唯一解，转移轨道的轨道根数与λ的关系如式7所示；
[0126]
根据式7获得的转移轨道根数，计算得到在转移轨道上飞行器的初始速度v
r1
，并结合已知的初始起点和终点的速度v1，计算得到制动速度v为v＝v
r1-v1；其中，所述制动速度用于确定轨道拦截的机动脉冲。
[0127]
在一些示例中，所述构建部分1303，经配置为：
[0128]
将所述任务航天器在每个采样时刻的轨道信息、所述目标航天器在所述每个采样时刻增加转移时间段后的轨道信息构建输入数据集；
[0129]
将每个采样时刻对应的机动脉冲构建输出数据集。
[0130]
在一些示例中，所述神经网络训练部分1304，经配置为：
[0131]
初始化一个神经网络模型；其中，所述神经网络模型的输入端为12维，输出端为3维；
[0132]
针对每个采样时刻，将输入数据集中的轨道信息输入至所述神经网络模型以获得模型输出数据；
[0133]
根据所述模型输出数据与所述输出数据集中对应采样时刻的机动脉冲进行比较，并根据比较结果训练所述神经网络模型的参数，直至比较结果符合设定的精度要求；
[0134]
将训练后的神经网络模型确定为所述轨道信息-机动脉冲之间对应关系的拟合函数。
[0135]
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
[0136]
另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0137]
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0138]
因此，本实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于人工智能的航天器轨道拦截的燃料控制程序，所述基于人工智能的航天器轨道拦截的燃料控制程序被至少一个处理器执行时实现上述技术方案中所述基于人工智能的航天器轨道拦截的燃料控制方法的步骤。
[0139]
根据上述基于人工智能的航天器轨道拦截的燃料控制装置130以及计算机存储介质，参见图15，其示出了本发明实施例提供的一种能够实施上述基于人工智能的航天器轨道拦截的燃料控制装置130的计算设备150的具体硬件结构，该计算设备150可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(pda)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器，等。计算设备150包括：通信接口1501，存储器1502和处理器1503；各个组件通过总线系统1504耦合在一起。可理解，总线系统1504用于实现这些组件之间的连接通信。总线系统1504除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图15中将各种总线都标为总线系统1504。其中，
[0140]
所述通信接口1501，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
[0141]
所述存储器1502，用于存储能够在所述处理器1503上运行的计算机程序；
[0142]
所述处理器1503，用于在运行所述计算机程序时，执行上述技术方案中所述基于人工智能的航天器轨道拦截的燃料控制方法的步骤。
[0143]
可以理解，本发明实施例中的存储器1502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只
读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本文描述的系统和方法的存储器1502旨在包括但不限于这些和任意其它适合类型的存储器。
[0144]
而处理器1503可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1503中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1503可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1502，处理器1503读取存储器1502中的信息，结合其硬件完成上述方法的步骤。
[0145]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dsp device，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0146]
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0147]
可以理解地，上述基于人工智能的航天器轨道拦截的燃料控制装置130以及计算设备150的示例性技术方案，与前述基于人工智能的航天器轨道拦截的燃料控制方法的技术方案属于同一构思，因此，上述对于基于人工智能的航天器轨道拦截的燃料控制装置130以及计算设备150的技术方案未详细描述的细节内容，均可以参见前述基于人工智能的航天器轨道拦截的燃料控制方法的技术方案的描述。本发明实施例对此不做赘述。
[0148]
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
[0149]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵
盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。