考虑动态不确定因素的深空探测器任务规划

王晓晖，李爽，*

1.南京航空航天大学 航天学院，南京 210016 2.南京航空航天大学 新技术实验室，南京 210016

考虑动态不确定因素的深空探测器任务规划

王晓晖1，2，李爽1，2，*

1.南京航空航天大学 航天学院，南京 210016 2.南京航空航天大学 新技术实验室，南京 210016

针对现有的任务规划方法在响应深空动态不确定因素的扰动情况时存在的不确定因素识别度低、响应策略单一等问题，文章提出了一种考虑动态不确定因素的深空探测器任务规划算法。首先，对不确定扰动按从轻到重四个等级进行划分，并采用模糊神经网络评估不确定扰动属于哪种扰动级别，根据评估结果选择对应的扰动响应策略；然后，采用基于分层任务网络规划(Hierarchical Task Network，HTN)的局部任务修复方法，对受到扰动的子系统对应的复合任务重新进行任务分解，完成对初始规划方案的调整修复。仿真结果表明所提出的算法可以有效地对深空动态不确定因素进行评估和响应，从而提高了任务规划的可靠性和灵活性。

深空探测；任务规划；动态不确定因素；模糊神经网络；分层任务网络规划

与传统的近地航天器相比，深空探测器在实际运行过程中存在以下特点：1)飞行距离远，任务周期长；2)天地通信存在长时延，不便于地面对探测器进行遥测遥控；3)深空环境复杂恶劣，存在许多未知因素，为探测器安全飞行和顺利完成任务带来挑战[1-3]。近年来，针对深空探测任务的航天器在轨自主任务规划技术得到了快速发展，譬如NASA“深空一号”探测器(DS-1)的PS模块[4]、哈勃空间望远镜的自动调度规划环境(Automated Scheduling and Planning Environment，ASPEN)任务规划系统[5]、火星探测漫游者(MER)的可扩展通用远程操作规划结构(Extensible Universal Remote Operation Planning Architecture，EUROPA)任务规划系统[6]都为上述探测任务的成功实施发挥了重要作用。

由于空间环境对探测器造成的扰动或损坏、各项活动的执行时间偏差、或者任务临时更改[7]等原因，探测器在规划以及规划方案执行时会存在各式各样的动态不确定性因素从而导致对探测器已制定的任务规划方案造成不同程度的干扰，探测器对原方案进行快速合理调整的能力必须加强。因此，有必要在自主任务规划过程中考虑动态不确定因素对任务规划和执行造成的影响，并研究相应的响应决策和处理方法。针对动态不确定问题，美国航天局为地球观测卫星一号(EO-1)研制的CASPER规划系统[8]采用迭代修复[9-10]的规划方法，并不是一次产生一个完整的长时段规划，而是保存一个当前状态集合和一个当前目标，当出现环境变化或用户需求变化时，结合智能规划中的启发式信息和类似分层规划的方法优先解决邻近的冲突以及比较重要的冲突和目标，及时对规划进行最小调整。李玉庆[11]研究的航天器观测调度问题主要针对动态不确定环境，研究目的是总结和评估影响观测调度的不确定因素，为航天器故障识别和重调度方面的研究提供了新思路。目前针对深空环境中动态不确定因素的扰动分析和处理方面的研究还比较缺乏，在任务规划过程中主要存在两方面不足：一是缺乏合理的不确定性因素评估方法，无论是早期的重规划策略[12]，还是现如今应用较多的修复策略[13]，都只是单一固定的规划调整模式，不能根据不确定性因素特性及实际扰动情况选择恰当的规划调整策略；二是修复策略在动作筛选上存在一定的随机性和盲目性，目前大多数方法还是单靠通过添加动作、移动动作或删除动作来进行方案修改[14]。

针对上述问题，本文对考虑动态不确定因素的深空探测任务规划方法进行研究。首先总结和分析了深空环境下可能遇到的不确定性因素的种类及特点，提出了一种评估及响应不确定因素扰动程度的方法；其次提出了考虑动态不确定因素的深空探测任务规划算法，并采用基于HTN规划的局部任务复策略对原始规划进行合理调整；最后并通过具体的仿真算例证明了其有效性。

1 深空环境下动态不确定因素分 类及评估

1.1 动态不确定因素分类

深空探测器所处行星际空间是广阔的极高空环境，存在着太阳电磁辐射、高能粒子辐射、太阳风等离子体及其磁场，也存在着源于太阳和源于银河系的宇宙射线离子、围绕太阳运行的微流星体以及其他一些至今未知的环境因素。这些环境因素具有动态不确定性，会不定时期、不定形式、不定规模地对深空探测器相关子系统造成不同程度的损伤，进而影响探测任务执行。目前针对一般企业生产调度问题中不确定因素的分析和研究较多，主要是按照来源进行分类[15]。由于深空环境存在较大的未知性，很难准确地定性描述探测器在深空运行时可能遭遇的不确定事件，因此按来源进行分类不可行。由于所有的不确定因素作用于探测器时归根结底都将对探测器本身或其探测任务造成影响，故本文按照影响方式进行分类，根据深空动态不确定因素的特点将其划分为不确定性故障、不确定性偏差和不确定性事件3个类别，并系统地总结出了18种深空环境下的不确定性因素，如表1所示。

表1 深空环境下的不确定因素

Table 1 Dynamic uncertainties in deep space environment

不确定性因素种类状态名称影响程度影响模式不确定性故障平台系统失效(局部)模糊渐变平台系统恢复(局部)模糊渐变平台系统失效(全部)严重突变平台系统恢复(全部)严重突变某载荷失效(全部)严重突变某载荷恢复(全部)严重突变某载荷失效(局部)模糊渐变某载荷恢复(局部)模糊渐变某资源失效(全部)严重突变某资源恢复(全部)严重突变某资源失效(局部)模糊渐变某资源恢复(局部)模糊渐变整个探测器失效严重突变整个探测器恢复严重突变不确定性偏差任务执行偏差一般渐变姿轨偏差一般渐变不确定性事件任务更改模糊渐变临时姿轨控严重突变

根据表1可以看出：不确定性故障是指内外部环境变化对探测器本身造成的软、硬件故障(也可以是恢复)；不确定性偏差是指探测器执行任务时在时间点和精度方面可能造成的偏差；不确定性事件是指由于地面上传或探测器人为输入等外部指令造成的任务增加或取消、执行时间和观测设备的更改、临时姿轨控等事件。

1.2 评估不确定因素扰动等级

从表1中影响模式来看，突变型的不确定性干扰事件往往会在较短时间内发生重大幅度的变化，其突变性、离散性特点对系统的运行和任务的执行影响恶劣，在这种情况下通常任务会重新规划或终止。

渐变型不确定因素较突变型因素在扰动评估处理上更为复杂，主要原因是：1)难以精确描述该类不确定因素。该类不确定因素往往存在多个参数，某些参数的定义、分类和处理方法具有模糊性，且参数输入与响应输出往往具有非线性映射的特点，因此难以对系统的扰动程度进行计算和判定。2)难以确定响应时机和响应方式。如果扰动没有得到及时响应，探测器的部分故障或损伤会一直持续累积，有可能造成任务失败或者系统运行效率低下；如果一有扰动发生就完全响应或者采取的响应方式不当，系统资源消耗会增大，也会对系统的稳定运行造成影响。

对渐变型不确定因素进行处理时，由于各影响参数的定义具有模糊性，模糊理论可以有效地对其参数进行描述，便于后续处理。同时，神经网络可以很有效地运用其非线性映射能力建立非线性函数的解析表达式来描述参数以及求解参数输入和响应输出等级之间的对应关系。此外，神经网络方法属于机器学习范畴，其智能性和学习能力更有利于探测器进行长时间的深空远距离航行。故本文将所提出的扰动程度评估问题作为模式识别与分类问题进行处理，采用基于模糊神经网络的评估方法。

具体评估方法如下：

步骤1)：不确定性因素种类总结。本文将渐变型不确定因素归纳为6类，如表2所示。

步骤2)：参数模糊化。将原始数据进行归一化处理并作为神经网络的输入，处理方法为求得影响各个参数取值的隶属度并归一化至[0，1]。设渐变型不确定因素对系统产生扰动的程度为δ，不确定性因素种类、发生扰动的强度、扰动的累积时间以及扰动的范围大小为4种影响δ取值的参数类型，如表3所示。

表2 渐变型不确定因素

Table 2 Summary of gradual uncertainty factors

不确定性因素说明探测器平台失效类(局部)a1探测器平台系统失效(局部)探测器平台系统恢复(局部)载荷失效类(局部)a2某载荷失效(局部)某载荷恢复(局部)资源失效类(局部)a3某资源失效(局部)某资源恢复(局部)时间偏差类a4任务执行偏差姿轨偏差类a5姿轨偏差任务更改类a6任务增加、取消；任务优先级、精度、执行时间、观测设备更改等

表3 扰动参数描述

Table 3 Disturbance parameter description

参数变量值域不确定因素种类A{a1，a2，a3，a4，a5，a6}扰动强度S{s1，s2，s3，s4，s5}扰动范围R{r1，r2，r3，r4，r5}累积时间T{t1，t2，t3}

其中，S,R,T三项参数均具有模糊性。S(s)={s1,s2,s3,s4,s5}表示不确定因素扰动强度为轻微、弱、适中、强、严重；R(r)={r1,r2,r3,r4,r5}表示不确定因素扰动范围为轻微、小、适中、大、严重；T(t)={t1,t2,t3}表示不确定因素累积时间为较短、适中、较长。S,R,T的隶属度求解方法如下：

扰动强度S有5个模糊子集，其评定依据为产生冲突的动作数量nc与原计划执行的所有动作数量N的比值，有

对rS在0～1范围内划分，采用高斯型隶属函数作为各模糊集合si(i=1,2,…,5)的隶属函数，如下：

式中：ei,di分别为高斯函数均值和标准差。

扰动范围R有5个模糊子集，其评定依据为受影响的子系统数量mc与执行任务的所有子系统数量M的比值。有

累积时间T有3个模糊子集，其评定依据为扰动持续时间tc与任务执行周期I比值：

同扰动强度S一样，R、T求取隶属度时均采用高斯型隶属函数。

步骤3)：神经网络测试与输出。本文采用径向基函数网络(Radial-Basis Function，RBF)进行扰动程度评估。RBF是一种单隐层的前馈神经网络，在进行神经网络训练时具有较强的非线性逼近能力，比较适合模式识别和分类。利用Matlab神经网络工具箱设计RBF神经网络，格式为：

net=newrb(P,T,GOAL,SPREAD,

式中：P为输入矩阵；T为目标矩阵；GOAL为期望均方误差和；MN为隐层最大允许神经元数，SPREAD和DF均取1。训练结束的标志是隐层的神经元数达到允许的最大值或者误差小于期望误差。

将表3中渐变型不确定因素的4类参数作为神经网络的输入，输出4种响应决策：

1) 规划保持现状；

2) 对原有规划方案进行修复；

3) 放弃原有规划方案，重新规划；

4) 放弃本次任务，采取应急预案。

探测器根据输出决策的不同，采取不同的处理方式。深空环境下动态不确定因素的整个评估过程可由图1表示。

图1 不确定因素扰动程度评估过程Fig.1 Disturbance degree evaluating process

2 基于HTN规划的局部任务修复 策略

2.1 分层任务网络

分层任务网络规划(HTN)主要由任务网络、原子任务、复合任务和分解方法构成，是一种基于任务分解思想的智能规划方法[16]。在规划过程中，首先将不可直接执行的高层复合任务按照规划库中预先制定的分解方法分解为功能单一的原子任务的偏序集，然后在实例化过程中通过搜索消除冲突，得到最终规划结果。这种“自顶向下”的分解思想可以降低问题求解的复杂性、避免盲目性搜索，从而提高求解效率。

图2 HTN规划中某高层任务分解过程Fig.2 Complex mission decomposing process in HTN planning

2.2 基于 HTN规划的局部任务修复策略

在深空探测具体任务实施过程中，若需要对已有规划方案进行局部修复时，HTN方法具有一定优势。在HTN规划中，高层复合任务表示需要探测器多个系统协同完成，经过逐层分解得到能够由单个子系统独立完成的原子任务。因此，在局部或单个子系统发生故障，需要对已有规划进行修复时，可保留与正常子系统对应的那部分规划方案，对故障子系统涉及的复合任务重新进行任务分解和实例化。最后对新的规划方案进行全局检测，保证新方案与保留方案不存在时序和资源上的冲突。基于HTN规划的局部任务修复过程如图3所示。

基于HTN规划的局部任务修复策略充分利用其“自顶向下”的任务分解思想，对产生故障的子系统对应的复合任务重新进行任务分解。此外，由于在修复过程中使用了相关分解方法，在一定程度上可以避免搜索的随机性和盲目性。

图3 基于HTN规划的局部任务修复过程Fig.3 Local mission repairing process in HTN planning

3 考虑动态不确定因素的深空探 测任务规划算法

在前面两节的基础上，提出了一种考虑动态不确定因素的深空探测任务规划算法。首先，采用HTN方法得到初始规划方案；其次，方案执行过程中遇到动态不确定情况时，通过模糊神经网络对其进行扰动程度评估；最后，根据输出的响应决策采取保持原规划、修复、重新规划、放弃任务等措施。由于算法使用了模糊神经网络和HTN规划方法，故算法可简称为FNHP算法(Fuzzy + Neural Network + HTN Planning)。FNHP规划算法框架见图4。

图4 FNHP规划算法框架Fig.4 FNHP planning algorithm framework

在FNHP规划算法中，初始规划和重新规划都采用HTN规划方法，修复过程也采用了基于HTN的局部修复策略。这样对于探测器来说更便于进行知识表示和规划建模，在一定程度上保持了规划的一致性和系统的协调性。

4 仿真分析

为了验证本文所提出的FNHP规划算法在深空探测任务规划过程中的有效性，本文对深空探测器系统进行建模，并针对深空探测任务设计了规划问题和4种突发的动态不确定情况，在不确定因素评估和规划调整过程中使用了FNHP算法。

4.1 规划模型

以小行星探测为潜在工程任务背景，在建模时采用状态时间线的表示方法，建立推进器系统、天线系统、电池系统、姿态控制系统、太阳帆板系统、相机系统和存储器系统这7个子系统模型。另外建立15个状态模型，各子系统间涉及了32个约束关系。姿态机动时间与姿态轴初末指向有关，电能变化量和存储器变化量是各系统资源消耗能力、资源补充能力和工作时间的函数。

4.2 神经网络训练

利用神经网络进行识别决策之前需对其进行相关训练。目前深空飞行由于其任务特殊，导致其实际的任务数据资料难以获取；另外深空探测自主规划问题尚处于初步研究阶段，在仿真研究时缺乏通用的算例来计算。目前各国学者大多是采用自行设计的任务算例及数据来进行相关仿真验证。本文设计的样本，其输入端随机产生不确定因素种类，以及分别代表扰动强度、扰动范围和积累时间的rS,rR,rT数据，运用相关领域知识对输入端数据进行判断，得到的响应策略作为输出端数据。

按照上述方法设计算例，将产生的550例数据分成500例和50例两部分，前者作为训练数据，后者作为测试数据。共进行10次训练和测试，每次随机选取训练样本和测试样本。某次部分训练样本数据如表4所示。

表4 样本数据

Table 4 Training data

不确定因素种类输入(归一化数据)输出(响应决策)扰动强度rS扰动范围rR时间累积程度rT1)保持2)修复3)重新规划4)放弃a50 3696910 6141180 7245650100a20 7819620 3125540 4123140001a40 7257890 9636360 8080361000a10 2632140 5874410 4436750001a30 2810640 9706050 8700930100a60 1765920 0066120 7331700010a20 1493100 1339710 6326730001a40 1358640 8847860 7537440100a30 1957310 2346370 6681720001a60 8560370 0584350 0681350100…………………

需要注意的是，实际仿真过程中，在每次训练和测试之前，程序都会对输入的rS,rR,rT数据进行模糊化处理，之后再将处理后的数据进行网络训练。对10次测试运行的结果进行统计，其结果见表5。

由表5可知，本文所采用的模糊神经网络可以在大多数情况下对各种不同程度的扰动进行正确的响应判断。另外，在深空探测器长期飞行过程中，可根据前期的飞行数据定期对神经网络进行更新训练，增强其对真实空间环境的适应能力。

表5 测试结果统计

Table 5 Results of testing

测试次序错误决策数量评估精度/%14922198319842965197639472968296939410198

4.3 动态不确定情况下小行星探测任务规划仿真

在建模及神经网络训练完成后，设计小行星探测任务算例，任务目标为飞越某小行星，在飞越的300 s时间内进行5次拍照，在此基础上设计了4种动态不确定因素。采用FNHP算法对算例进行规划得到了初始规划方案，在分别遭遇以上4种不确定情况时，FNHP算法评估得到了不同的响应决策。具体数据如表6所示。

图5为对不确定情况Ⅰ进行重新规划前后的方案调整情况(虚线表示对原始规划的更改)。图6为对不确定情况Ⅲ进行规划修复前后的方案调整情况(虚线表示对原始规划的更改)。表7对比给出了FNHP算法、迭代修复方法和重规划方法分别对以上4种不确定因素进行处理所得到的运算结果。

从表6可以看出，FNHP算法能够针对4种扰动程度各异的不确定因素进行评估并产生合理的响应决策；从图5、图6的规划方案调整情况及表7中的时间对比中可以看出，针对轻微扰动因素Ⅱ和严重扰动因素Ⅳ，FNHP算法在给出评估结果后不再进行规划方案调整，总调整时间明显小于分别只采用迭代修复或重规划进行规划方案调整的时间。正是由于采用了恰当的响应决策，使得规划方案调整前后的方案变化程度和其受到的扰动程度相一致，并且提高了系统的平均响应速度，节约了系统的计算成本。由此可以证明FNHP算法在进行任务规划和实施的过程中能够对不同程度的不确定因素扰动进行有效的响应和处理。

表6 4种动态不确定因素

Table 6 Four kinds of dynamic uncertainty

序号发生时刻/s不确定性来源描述种类冲突动作数nc受影响子系统数mc持续时间tc/s输出响应决策Ⅰ100遭遇高能带电粒子流(存储器数据丢失)a315420重新规划Ⅱ150空间离子辐射(存储器写入速率降低)a35180保持原规划Ⅲ180空间热环境变化(相机需要重新校准)a272120修复Ⅳ210空间热环境变化(太阳电池阵部分块失效)a118590放弃任务

表7 三种规划算法对比

Table 7 Performance comparison of three planning algorithms

不确定因素迭代修复调整时间/s重规划调整时间/sFNHP算法扰动评估时间+调整时间/sⅠ0 33(成功)0 24(成功)0 07+0 21(成功)Ⅱ0 06(成功)0 19(成功)0 08+0(成功)Ⅲ0 09(成功)0 14(成功)0 07+0 04(成功)Ⅳ0 39(失败)0 31(失败)0 05+0(放弃)总调整时间/s0 870 880 52

图5 FNHP算法对不确定情况Ⅰ进行重新规划前后的方案调整情况Fig.5 Planning adjustment for caseⅠ

图6 FNHP算法对不确定情况Ⅲ进行规划修复前后的方案调整情况Fig.6 Planning adjustment for case Ⅲ

5 结束语

深空探测器飞行过程中需要灵活高效的任务规划方法来应对宇宙空间中的动态不确定因素对深空探测任务造成的扰动影响。

本文针对任务规划过程中存在的不确定性扰动提出了一种新的响应及处理方法，利用模糊神经网络评估模糊渐变型不确定因素的扰动等级，根据评估结果选择恰当的规划方案调整策略，并在参考HTN规划的基础上提出了便于局部修复的任务规划算法。计算机仿真结果表明，FNHP算法能够有效评估深空动态不确定情况，并及时对原有规划方案进行合理调整，提高了任务规划的可靠性和灵活性，是未来深空探测任务规划可行选择之一。

References)

[1] 王晓晖，李爽．深空探测器约束简化与任务规划方法研究[J]．宇航学报，2016，37(7)：768-774.

WANG X H，LI S. Research on constraint simplification and mission planning method for deep space explorer[J]．Journal of Astronautics，2016，37(7)：768-774(in Chinese).

[2] 崔平远，徐瑞，朱圣英，等．深空探测器自主技术发展现状与趋势[J]．航空学报，2014，35(1)：13-28.

CUI P Y ，XU R ，ZHU S Y ，et al. State of the art and development trends of on-board autonomy technology for deep space explorer[J]．Acta Aeronautica et Astronautica Sinica，2014，35(1)：13-28(in Chinese).

[3] 赵凡宇，徐瑞，崔平远.启发式深空探测器任务规划方法[J]. 宇航学报， 2015，36(5)：496-503.

ZHAO F Y，XU R，CUI P Y. Heuristic mission planning approach for deep space explorer[J]. Journal of Astronautics，2015，36(5)： 496-503(in Chinese).

[4] MUSCETTOLA N，NAYAK P，PELL B，et al. Remote agent：to boldly go where no AI system has gone before[J]. Artificial Intelligence，1998，103(1-2)：5-47.

[5] 陈德相. 航天器任务约束处理与规划方法研究[D]. 北京：北京理工大学，2015.

CHEN D X. Research of constraint processing and planning method in spacecraft mission[D].Beijing： Beijing Institute of Technology，2015(in Chinese).

[6] DIETZ A，WEMER D，MONTAGNON E，et al. Rosetta/BepiColombo mission planning system：from mission to infrastructure[C]. International Conference on Space Operations 2016，16-20 May，Daejeon，Korea.

[7] 薛志家，杨忠，李晶，等.面向突发性事件的卫星自主任务规划[J].指挥控制与仿真，2015，37(1)：24-30.

XUE Z J，YANG Z，LI J，et al. Autonomous mission planning of satellite for emergency[J]. Command Control & Simulation. 2015，37(1)：24-30(in Chinese).

[8] KNIGHT R，RABIDEAU G，CHIEN S，et al. Casper：space exploration through continuous planning[J]. Intelligent Systems IEEE，2001，16(5)：70-75.

[9] 彭婷. 基于修复策略的深空探测器自主任务规划方法研究[D]. 北京：北京理工大学，2012.

P T. Autonomous mission planning method of deep space explorer based on repair planning strategy[D]. Beijing：Beijing Institute of Technology，2012(in Chinese).

[10] 李朝玉，徐瑞. 一种基于时标状态的启发式航天器任务规划算法[J]. 深空探测学报，2015，2(1)：20-25.

LI C Y，XU Y. Time stamped states based Heuristic algorithm for spacecraft mission planning[J]．Journal of Deep Space Exploration，2015，2(1)：20-25(in Chinese).

[11] 李玉庆. 动态不确定环境下航天器观测调度问题研究[D]. 哈尔滨：哈尔滨工业大学，2008.

LI Y Q. Planning and scheduling spacecraft observations under uncertainties in dynamic environment[D].Harbin：Harbin Institute of Technology，2008(in Chinese).

[12] 王志勇，王永强，王钧，等. 多星联合任务规划方法[J]. 中国空间科学技术，2012，2(1)：9-14.

WANG Z Y，WANG Y Q，WANG J，et al. New multi-satellite scheduling method[J]．Chinese Space Science and Technology，2012，2(1)：9-14(in Chinese).

[13] 郭玉华，李军，赵珂，等. 多星联合任务规划的迭代修复求解技术[J]. 系统工程与电子技术，2009，31(8)：1958-1962.

GUO Y H，LI J，ZHAO K，et al. Iterative repair method for multiple satellites united imaging scheduling[J]. Systems Engineering and Electronics，2009，31(8)：1958-1962(in Chinese).

[14] CHIEN S A ，JOHNSTON M ，FRANK J，et al. A generalized timeline representation，services，and interface for automating space mission operations[C].The 12th International Conference on Space Operations，Stockholm，Sweden，11-15 June，2012.

[15] Honkomp J S，Mockus L，Reklaitis V G.A framework for schedule evaluation with processing uncertainty[J]. Computers and Chemical Engineering，1999，23：595-609.

[16] 冉承新，熊纲要，王慧林，等. 基于HTN 的卫星应用任务分解方法[J]. 中国空间科学技术，2010，30(3)：76-82.

RAN C X ，XIONG G Y ，WANG H L，et al. Satellite application mission decomposition method based on hierarchical task network[J]．Chinese Space Science and Technology，2010，30(3)：76-82(in Chinese).

(编辑：车晓玲)

A mission planning method for deep space explorer considering dynamic uncertainties

WANG Xiaohui1，2，LI Shuang1，2，*

1. School of Astronautics，Nanjing University of Aeronautics & Astronautics，Nanjing 210016，China 2. New Technology Laboratory of Nanjing University of Aeronautics & Astronautics，Nanjing 210016，China

A new mission planning algorithm was proposed to deal with the problems of low identifiability of dynamic uncertainties and singleness of response strategy in traditional mission planning algorithms for deep space explorer. Firstly，the level of disturbance generated by dynamic uncertainties was divided into four levels. Fuzzy neural network was used to evaluate the level of uncertainties，and it can help to choose the appropriate response strategy. Secondly，a local mission repair planning method based on hierarchical task network (HTN) was proposed to re-decompose the invalid complex missions caused by the disturbance of uncertainties when the response strategy was repair planning strategy. Finally，computer simulation results show that the proposed algorithm can effectively evaluate and respond to deep-space dynamic uncertain factors，and therefore improve the reliability and flexibility of the mission planning algorithm.

deep space exploration；mission planning；dynamic uncertainties；fuzzy neural network；hierarchical task network

10.16708/j.cnki.1000-758X.2016.0069

2016-07-09；

2016-08-05；录用日期：2016-11-24；

时间：2016-12-16 11:29:03

http:∥www.cnki.net/kcms/detail/11.1859.V.20161216.1129.004.html

国家自然科学基金 (11672126, 61273051)；中国科学院太空应用重点实验室开放基金(LSU-2016-04-01)；南京航空航天大学研究生创新基地(实验室)开放基金(kfjj20151501)

王晓晖(1991-)，女，硕士研究生，wxh_2013@126.com，研究方向为深空探测自主任务规划技术

*通讯作者：李爽(1978-)，男，教授，博导，lishuang@nuaa.edu.cn，研究方向为航天器动力学与控制，深空探测技术

王晓晖，李爽. 考虑动态不确定因素的深空探测器任务规划[J].中国空间科学技术，2016，36(6)：29-37.

WANGXH，LIS.Amissionplanningmethodfordeepspaceexplorerconsideringdynamicuncertainties[J].ChineseSpaceScienceandTechnology，2016，36(6)：29-37(inChinese).

V476

A

http:∥zgkj.cast.cn