面向主动碎片移除任务的 AI 驱动风险感知调度
人工智能
2024-09-26 v1
摘要
轨道低 Earth 轨道（LEO）的碎片增多代表着对空间可持续性和航天器安全的重大威胁。主动碎片移除（ADR）已成为一种有前景的解决方法，利用轨道转移车（OTV）来促进碎片 deorbit，从而降低未来碰撞风险。然而，ADR 任务高度复杂， necessitating 精准的计划以确保任务在经济上可行且技术上有效。此外，这些服务任务需要具备高度的自主能力，以便在演变中的轨道条件和变化的任务要求下进行计划。本文开发了基于深度强化学习（DRL）的自主决策规划模型，用于训练 OTV 规划最优的碎片移除序列。研究表明，借助所提出的框架，智能体能够找到最优任务计划，并学习自主更新规划以处理碎片的高碰撞风险。
引用
@article{arxiv.2409.17012,
title = {AI-Driven Risk-Aware Scheduling for Active Debris Removal Missions},
author = {Antoine Poupon and Hugo de Rohan Willner and Pierre Nikitits and Adam Abdin},
journal= {arXiv preprint arXiv:2409.17012},
year = {2024}
}