APLICAÇÕES DE ESTIMADORES DE ESTADOS ESTOCÁSTICOS AUXILIADOS
COM REDES NEURAIS ARTIFICIAIS NO RASTREAMENTO E MELHORIA DA PREDIÇÃO DO PONTO DE
IMPACTO DE FOGUETES BALÍSTICOS
Estimação de Estado, Algoritmo de Rastreamento, Filtragem, Rede Neural, Predição do
Ponto de Impacto.
Uma das formas atuais de continuar a pesquisa espacial é lançar
foguetes balísticos que transportam cargas úteis científicas. Para melhorar a precisão da evolução
instantânea do impacto da carga útil na superfície da Terra, é necessário estimar as medidas
indiretas da velocidade de um veículo espacial com mais eficiência. Nesta tese propõe-se uma
abordagem mais ampla para determinar a predição do ponto de impacto de cargas úteis de
foguetes balísticos. Esta abordagem combina algoritmos de rastreamento baseados em
estimadores estocásticos auxiliados por modelos de redes neurais artificiais (RNA) para predizer a
trajetória do foguete e consequentemente a previsão do seu ponto de impacto. Inicialmente,
quatro estimadores estocásticos existentes na literatura foram implementados como algoritmos
de rastreamento, a saber, um filtro de Kalman recursivo (FKR), um filtro de Kalman estendido
(FKE), um filtro de Kalman unscented (FKU) e um filtro de partículas (FP). Em seguida, estes
estimadores foram comparados com quatro novos estimadores estocásticos, propostos. Estes
incluem um filtro de Kalman recursivo auxiliado por uma RNA (FKRN), um filtro de Kalman
estendido auxiliado por uma RNA (FKEN), um filtro de Kalman unscented auxiliado por uma RNA
(FKUN) e um filtro de partículas auxiliado por uma RNA (FPN). Finalmente, este estudo mostra que
os resultados obtidos por meio dos algoritmos de rastreamento propostos FKRN, FKEN, FKUN e
FPN são melhores do que os algoritmos de rastreamento existentes FKR, FKE, FKU e FP. Os
estimadores propostos podem ser uma ferramenta eficiente e de baixo custo para mitigar
imprecisões na modelagem durante o rastreamento de foguetes balísticos até o impacto de sua
carga útil.