本研究提出了一种基于潜在动态系统的渐近跟踪控制方法，旨在解决航天器在复杂环境中无法直接获取控制变量的问题。通过学习潜在动态模型，能够有效恢复潜在变量并估计其动态特性，为航天器姿态控制提供新的解决方案。

本研究解决了航天器会合和对接任务中的约束执行问题，提出了一种基于时间偏移控制器（TSG）的控制方案。该方法通过集成LSTM神经网络生成目标轨迹，有效地将时间偏移减少至零，从而确保会合时约束被执行。模拟结果表明，该控制方案显著提高了计算效率并成功完成航天器会合任务。

本研究提出了一种基于强化学习的人工神经网络方法，旨在解决自主对接技术中航天器动态变化及GNC系统的局限性。研究表明，该方法能有效提升航天器对接任务的适应性和效率，为未来任务提供重要参考。

本研究探讨了多任务学习在航天器姿态估计中的应用，发现直接姿态估计与热图估计相互促进，而边界框和分割任务对精度贡献有限。这为提升航天器姿态估计提供了新视角。

本研究探讨了高维连续动作空间中参数化强化学习的挑战，提出了一种多模式策略和重新参数化策略梯度（RPG）方法，以提高探索能力和数据利用率。实验证明，该方法在稀疏奖励环境中表现优越，有效避免局部最优，提升轨迹生成的稳定性与效率。

本文探讨了多种异常检测方法在时间序列数据中的应用，重点关注基于深度学习的无监督和半监督方法。研究评估了不同算法的性能，提出了动态评分函数以提高检测准确性，并介绍了一种新颖的Real NVP神经网络方法，显著提升了卫星数据中的故障检测效果。

该论文探讨了利用强化学习优化低推力卫星轨迹设计和自主控制的方法，提出多种算法以提升航天器在复杂环境中的自主决策能力和任务执行效率。研究结果显示，这些方法在任务完成率和响应时间上表现优异，具有重要的实际应用潜力。

本文介绍了多种图像去噪方法，包括使用多层感知器（MLP）和NBNet框架，通过学习噪声模型和特征空间重构，提高了图像降噪性能。此外，提出了基于扩散模型的低光图像增强技术和新的噪声建模框架，展示了其在不同条件下的有效性和准确性。

本文探讨了基于深度学习的航天器姿态估计技术，包括单图像6DOF姿态估计方法、卷积神经网络架构、数据集构建及优化技术。研究表明，合成数据与真实数据结合训练能显著提升算法性能，尤其在自主交会和对接操作中具有重要应用价值。

本研究针对传统强化学习在航天器控制中的局限性，提出了使用微调大语言模型（LLMs）进行自主航天器控制的新方法。通过结合实时任务遥测数据与文本提示，研究表明微调后的模型能够有效生成控制指令，展现了LLMs在空间操作中的潜力。此研究为未来航天控制任务的应用开辟了新的途径。

本文综述了基于深度学习的航天器姿态估计方法，比较了混合模块化和端到端回归算法，讨论了姿态精度、网络架构及模型大小等问题，并探讨了训练和测试数据集的差距及性能问题，为未来航空数据分析研究提供了方向。

本文综述了物理约束机器学习（PIML）在动态系统建模和控制中的应用，特别是在石油、天然气和冰川行为研究等领域。PIML结合物理模型与数据驱动方法，提高了预测准确性和效率，克服了传统模型的局限性。研究还探讨了PIML在条件监控和水文模型中的应用，展示了其在工程和科学研究中的潜力与挑战。

本文提出了一种用于无人驾驶宇宙飞船的合成图像数据生成方法，旨在提升语义分割和航天器姿态估计的性能。研究验证了合成数据的有效性，并介绍了多个数据集，如SPADES和SPEED，以支持深度学习模型的训练与评估，推动自主空间飞行器技术的发展。