期刊名：Aerospace

期刊主页：https://www.mdpi.com/journal/aerospace

近年来，人工智能技术在航天器自主控制领域快速发展，促进了轨道控制、姿态调整和自主导航等关键技术的突破。Aerospace 期刊为您准备了这份“AI在航天器自主控制中的应用”方向的文献清单，助力读者快速了解最新进展与应用趋势。

1.

英文标题: Neural Network-Aided Optical Navigation for Precise Lunar Descent Operations

中文标题： 神经网络辅助的精确月球着陆光学导航

文章链接： https://www.mdpi.com/2226-4310/12/3/195

MDPI引用格式： Andolfo, S.; Genova, A.; Buonomo, F.V.; Gargiulo, A.M.; El Awag, M.; Federici, P.; Teodori, R.; La Grassa, R.; Re, C.; Cremonese, G. Neural Network-Aided Optical Navigation for Precise Lunar Descent Operations. Aerospace 2025, 12, 195.

2.

英文标题: Angular Momentum Control Strategy of Control Moment Gyroscope Array Based on Deep Reinforcement Learning in Spacecraft Attitude Control System

中文标题： 航天器姿态控制系统中基于深度强化学习的控制力矩陀螺阵列角动量控制策略

文章链接： https://www.mdpi.com/2226-4310/12/2/134

MDPI引用格式：Che, X.; Wu, J.; Kang, G.; Hong, Y. Angular Momentum Control Strategy of Control Moment Gyroscope Array Based on Deep Reinforcement Learning in Spacecraft Attitude Control System. Aerospace 2025, 12, 134.

3.

英文标题: Nanosatellite Autonomous Navigation via Extreme Learning Machine Using Magnetometer Measurements

中文标题：基于磁强计和极限学习机的纳卫星自主导航方法

文章链接： https://www.mdpi.com/2226-4310/12/2/117

MDPI引用格式： Goracci, G.; Curti, F.; de Guzman, M.A. Nanosatellite Autonomous Navigation via Extreme Learning Machine Using Magnetometer Measurements. Aerospace 2025, 12, 117.

4.

英文标题: Autonomous Trajectory Planning Method for Stratospheric Airship Regional Station-Keeping Based on Deep Reinforcement Learning

中文标题： 基于深度强化学习的平流层飞艇区域定点自主轨迹规划方法

文章链接： https://www.mdpi.com/2226-4310/11/9/753

MDPI引用格式： Liu, S.; Zhou, S.; Miao, J.; Shang, H.; Cui, Y.; Lu, Y. Autonomous Trajectory Planning Method for Stratospheric Airship Regional Station-Keeping Based on Deep Reinforcement Learning. Aerospace 2024, 11, 753.

5.

英文标题: Redundant Space Manipulator Autonomous Guidance for In-Orbit Servicing via Deep Reinforcement Learning

中文标题：冗余空间机械臂在轨服务的深度强化学习自主制导方法

文章链接： https://www.mdpi.com/2226-4310/11/5/341

MDPI引用格式： D’Ambrosio, M.; Capra, L.; Brandonisio, A.; Silvestrini, S.; Lavagna, M. Redundant Space Manipulator Autonomous Guidance for In-Orbit Servicing via Deep Reinforcement Learning. Aerospace 2024, 11, 341.

6.

英文标题: Non-Cooperative Spacecraft Pose Estimation Based on Feature Point Distribution Selection Learning

中文标题： 基于特征点分布选择学习的非合作航天器姿态估计

文章链接： https://www.mdpi.com/2226-4310/11/7/526

MDPI引用格式： Yuan, H.; Chen, H.; Wu, J.; Kang, G. Non-Cooperative Spacecraft Pose Estimation Based on Feature Point Distribution Selection Learning. Aerospace 2024, 11, 526.

7.

英文标题: Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting

中文标题：基于加速三维高斯泼溅的卫星几何建模

文章链接： https://www.mdpi.com/2226-4310/11/3/183

MDPI引用格式： Nguyen, V.M.; Sandidge, E.; Mahendrakar, T.; White, R.T. Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting.Aerospace 2024, 11, 183.

8.

英文标题: Fuel-Efficient and Fault-Tolerant CubeSat Orbit Correction via Machine Learning-Based Adaptive Control

中文标题： 基于机器学习自适应控制的节能容错立方星轨道修正方法

文章链接： https://www.mdpi.com/2226-4310/11/10/807

MDPI引用格式： Ramezani, M.; Alandihallaj, M.; Hein, A.M. Fuel-Efficient and Fault-Tolerant CubeSat Orbit Correction via Machine Learning-Based Adaptive Control. Aerospace 2024, 11, 807.

9.

英文标题: Space Manipulator Collision Avoidance Using a Deep Reinforcement Learning Control

中文标题：基于深度强化学习的空间机械臂避碰控制方法

文章链接：https://www.mdpi.com/2226-4310/10/9/778

MDPI引用格式： Blaise, J.; Bazzocchi, M.C.F. Space Manipulator Collision Avoidance Using a Deep Reinforcement Learning Control. Aerospace 2023, 10, 778.

10.

英文标题：A New Strategy of Satellite Autonomy with Machine Learning for Efficient Resource Utilization of a Standard Performance CubeSat

中文标题：基于机器学习的标准性能立方星资源高效利用自主新策略

文章链接： https://www.mdpi.com/2226-4310/10/1/78

MDPI引用格式： Zeleke, D.A.; Kim, H.-D. A New Strategy of Satellite Autonomy with Machine Learning for Efficient Resource Utilization of a Standard Performance CubeSat. Aerospace 2023, 10, 78.

11.

英文标题: A Machine Learning Approach for Global Steering Control Moment Gyroscope Clusters

中文标题：面向全向控制力矩陀螺集群的机器学习方法

文章链接：https://www.mdpi.com/2226-4310/9/3/164

MDPI引用格式： Papakonstantinou, C.; Daramouskas, I.; Lappas, V.; Moulianitis, V.C.; Kostopoulos, V. A Machine Learning Approach for Global Steering Control Moment Gyroscope Clusters. Aerospace 2022, 9, 164.

12.

英文标题: SpaceDrones 2.0—Hardware-in-the-Loop Simulation and Validation for Orbital and Deep Space Computer Vision and Machine Learning Tasking Using Free-Flying Drone Platforms

中文标题： SpaceDrones 2.0：面向轨道与深空计算机视觉与机器学习任务的自由飞行无人平台硬件在环仿真与验证

文章链接： https://www.mdpi.com/2226-4310/9/5/254

MDPI引用格式： Peterson, M.; Du, M.; Springle, B.; Black, J. SpaceDrones 2.0—Hardware-in-the-Loop Simulation and Validation for Orbital and Deep Space Computer Vision and Machine Learning Tasking Using Free-Flying Drone Platforms. Aerospace 2022, 9, 254.

13.

英文标题: Deep-Learning-Based Satellite Relative Pose Estimation Using Monocular Optical Images and 3D Structural Information

中文标题： 基于深度学习的单目光学图像与三维结构信息的卫星相对姿态估计

文章链接： https://www.mdpi.com/2226-4310/9/12/768

MDPI引用格式： Qiao, S.; Zhang, H.; Meng, G.; An, M.; Xie, F.; Jiang, Z. Deep-Learning-Based Satellite Relative Pose Estimation Using Monocular Optical Images and 3D Structural Information. Aerospace 2022, 9, 768.

14.

英文标题: 3D Component Segmentation Network and Dataset for Non-Cooperative Spacecraft

中文标题：：非合作航天器的三维组件分割网络与数据集

文章链接： https://www.mdpi.com/2226-4310/9/5/248

MDPI引用格式： Zhao, G.; Wan, X.; Tian, Y.; Shao, Y.; Li, S. 3D Component Segmentation Network and Dataset for Non-Cooperative Spacecraft. Aerospace 2022, 9, 248.

15.

英文标题: Active Fault-Tolerant Control for Near-Space Hypersonic Vehicles

中文标题：：临近空间高超声速飞行器的主动容错控制

文章链接： https://www.mdpi.com/2226-4310/9/5/237

MDPI引用格式： Zhao, K.; Song, J.; Ai, S.; Xu, X.; Liu, Y. Active Fault-Tolerant Control for Near-Space Hypersonic Vehicles. Aerospace 2022, 9, 237.

Aerospace 期刊介绍

主编：Konstantinos Kontis, University of Glasgow, Scotland, UK

Aerospace 期刊致力于发表航空航天科学、工程和技术相关的创新研究，涵盖飞行器设计、推进系统、飞行控制、先进材料、空间科学、航空电子、无人机系统 (UAS)、城市空中交通 (UAM）、可持续航空、航空安全以及前沿技术等。鼓励跨学科研究，推动航空航天科技发展，欢迎实验、仿真与理论研究的原创成果及综述。