Entwicklung eines neuronalen Netzwerks zur Optimierung der Datenübertragungsqualität von Kleinsatellitenplattformen

Anwendung von Reinforcement Learning Algorithmen zur Optimierung der Kommunikation von Kleinsatelliten (German thesis)

Completed Master Thesis

Durch die Miniaturisierung von Satellitenkomponenten und der daraus resultierenden Kostenersparnis werden immer mehr Kleinsatelliten gestartet, in welchen durch die Leistungs-und Gewichtseinschränkungen meistens kein optimales Kommunikationsequipment zum Einsatz kommt. Da die Kommunikation zwischen Bodenstation und Satellit immer auf den schlechtesten Fall ausgelegt wird, schränkt dies in denmeisten Fällen die theoretisch mögliche Datenübertragung ein. Zur Lösung dieses Problems gibt es Ansätze für adaptive Kommunikation, welche unter anderem auf Look-Up-Tabellen oder Berechnung einer Vorhersage der Übertragungsbedingung in der Bodenstation beruhen. Ein weiterer Ansatz zur Optimierung der Übertragung bieten Deep-Q-Networks mit Experience Replay. Darauf basierend werden zwei Algorithmen vorgestellt, von denen einer bereits mit dem Space Communications and Navigation (SCaN) Testbedauf der Internationalen Raumstation getestet wurde. Mindestens einer dieser beiden Algorithmen soll so angepasst und implementiert werden, dass er im S-Band dem Consultative Committee for Space Data Systems (CCSDS) Protokoll folgend die Übertragung adaptiv verbessert. Für das Training dieses Algorithmus besteht ein erster Experimentaufbau aus zwei miteinander verbundenen Software Defined Radios mit einer softwareseitigen Überflugssimulation oder einem Dämpfungsglied. Zum Testen der Leistung des Algorithmus werden mehrere Aufbauten vorgestellt, der finale Test soll mit der Bodenstation des Instituts für Raumfahrsysteme durchgeführt werden.

Co-Supervision

Die Betreuung erfolgt in Kooperation mit Susann Pätschke vom Institut für Raumfahrtsysteme.

AC Supervisors

To the top of the page