Entwicklung eines neuronalen Netzwerks zur Optimierung der Datenübertragungsqualität von Kleinsatellitenplattformen

Abstract

Kleinsatelliten sind heute eine zunehmend wichtige Möglichkeit für die Forschung, Experimente und Nutzlasten in Erdumlaufbahnen zu bringen. Bei diesen Satellitensystemen besteht einerseits ein wachsender Bedarf an Datenübertragung zu einer Bodenstation, andererseits gelten in der Raumfahrt verschiedene Einschränkungen bei Aufbau und Betrieb von Funkkommunikationssystemen. Heutige Funksysteme haben meist statische Transceiver-Konfigurationen und die genutzten Übertragungsraten entsprechen der Worst-case-Betrachtung für den jeweiligen Fall. Neuerdings werden adaptive Ansätze für den Betrieb von Funkverbindungen zwischen Satellit und Bodenstation beschrieben, bei denen die Transceiver-Konfiguration, gesteuert durch einen lernenden Algorithmus, im Betrieb verändert und den jeweiligen äusseren Einflüssen angepasst wird. Die Grundlage für die verwendeten Algorithmen ist das Reinforcement Learning Model. Ziel dieser Arbeit war die Weiterentwicklung eines für die Raumfahrtfunkkommunikation entwickelten Algorithmus und der Test dieses Algorithmus' innerhalb einer Simulationsumgebung, um die Auswirkungen der Veränderungen zu bewerten. Der modifizierte Algorithmus wurde in einer Software-Simulationsumgebung betrieben, welche die digitale Signalverarbeitung von Sender und Empfänger sowie die sich verändernden Übertragungsbedingungen während eines Satellitenüberfluges abbildete. Die Modifikation wurde mit dem Originalalgorithmus hinsichtlich der erreichbaren Datenübertragung verglichen. Unter anderem wurde die Anzahl der für das Lernen verwendeten Neuronalen Netze variiert. Weiterhin wurden verschiedene Hyperparameter variiert und die Auswirkungen auf die Datenübertragung untersucht. Eine Anpassung der Hyperparameter führte dabei zu einer Übertragung von 57,8% mehr Daten als bei der Baseline-Implementierung. Sowohl die Veränderung in der Architektur als auch die Reduzierung der parallel ausgeführten Neuronalen Netze führte zu leichten Performanzeinbußen von 4,0% und 3,3%. Die Ergebnisse der hier durchgeführten Software-Simulationen lassen sich jedoch nicht auf Hardware-Simulationsumgebungen oder tatsächliche Funkverbindungen übertragen. Die Implementierung der verschiedenen Algorithmusvarianten erlaubt es, diese Varianten zukünftig auch mit Hardware-Übertragungsstrecken zu testen und später ein solches System auf einem Kleinsatelliten zu erproben.

Today, small satellites are an increasingly important way for researchers to launch experiments and payloads into Earth orbit. On the one hand, these satellite systems have a growing need for data transmission to a ground station; on the other hand, various constraints apply to the design and operation of radio communication systems in space. Today's radio systems usually have static transceiver configurations and the transmission rates used correspond to the worst-case consideration for the particular case. Recently, adaptive approaches for the operation of radio links between satellite and ground station have been described, in which the transceiver configuration, controlled by a learning algorithm, is changed during operation and adapted to the respective external influences. The basis for the algorithms used is the reinforcement learning model. The goal of this work was the further development of an algorithm developed for satellite communication and the testing of this algorithm within a simulation environment in order to evaluate the effects of the changes. The modified algorithm was run in a software simulation environment that included the digital signal processing of the transmitter and receiver and a model for the changing transmission conditions during a satellite overflight. The modification was compared with the original algorithm with respect to the achievable data transmission. Among other things, the number of neural networks used for learning was varied. Furthermore, different hyperparameters were varied and the effects on the data transmission were examined. An adjustment of the hyperparameters led to the transmission of 57.8% more data than in the baseline implementation of the algorithm. Both, the change in architecture and the reduction in the number of neural networks executed in parallel, led to slight performance losses of 4.0% and 3.3%, respectively. The results of the software simulations performed here, however, cannot be directly transferred to hardware simulation environments or actual communication links. The implementation of the different algorithm variants allows to test these variants with hardware transmission links in the future and to test such a system on a small satellite later on.