基于图像的航天器制导与控制中的动作分块Transformer方法
机器人学
2025-09-08 v1 人工智能
摘要
我们提出了一种用于航天器制导、导航与控制（GNC）的模仿学习方法，能够在数据有限的条件下实现高性能。仅使用100个专家演示，相当于6,300次环境交互，我们的方法实现了动作分块Transformer（ACT），学习了一个将视觉与状态观测映射到推力与力矩指令的控制策略。ACT生成的轨迹比使用4,000万次交互训练的元强化学习（meta-RL）基线更加平滑、一致。我们在交会任务上评估了ACT：与国际空间站（ISS）的在轨对接。结果表明，我们的方法具有更高的精度、更平滑的控制和更强的样本效率。
引用
@article{arxiv.2509.04628,
title = {Action Chunking with Transformers for Image-Based Spacecraft Guidance and Control},
author = {Alejandro Posadas-Nava and Andrea Scorsoglio and Luca Ghilardi and Roberto Furfaro and Richard Linares},
journal= {arXiv preprint arXiv:2509.04628},
year = {2025}
}
备注
12 pages, 6 figures, 2025 AAS/AIAA Astrodynamics Specialist Conference