弥合差距：通过神经 ODE 优化制导与控制网络
机器学习
2024-04-29 v1 人工智能
神经与进化计算
摘要
我们提高了制导与控制网络（G&CNETs）的准确性，这些网络被训练分别表示时间最优转移和质量最优着陆的最优控制策略。在两种情况下，我们都利用了由常微分方程描述的航天器动力学，这些方程在其右侧包含了一个神经网络（Neural ODEs）。由于神经动力学是可微的，可以使用变分方程计算 ODE 对网络参数的灵敏度，从而允许根据观察到的动力学更新 G&CNET 参数。我们从一个直接的回归任务开始，使用行为克隆在最优轨迹数据集上训练 G&CNETs。然后通过最小化最终状态与目标状态之间的误差，利用 Neural ODE 灵敏度对这些网络进行优化。我们证明，对于轨道转移，单条轨迹上到目标的最终误差可减少 99%，在 500 条轨迹的批次上可减少 70%。对于着陆问题，误差减少约为 98-99%（位置）和 40-44%（速度）。这一步显著提高了 G&CNETs 的准确性，从而增强了对其在运营使用中可靠性的信心。我们还将我们的结果与流行的数据集聚合方法（DaGGER）进行了比较，并提及了两种方法的优缺点。
引用
@article{arxiv.2404.16908,
title = {Closing the gap: Optimizing Guidance and Control Networks through Neural ODEs},
author = {Sebastien Origer and Dario Izzo},
journal= {arXiv preprint arXiv:2404.16908},
year = {2024}
}