国际空间站上基于深度学习的轨迹优化热启动

轨迹优化是现代机器人自主性的基石，使系统能够在遵守安全和物理约束的同时，实时计算轨迹和控制。然而，由于其沉重的计算需求，已超出大多数航天计算机的能力，在航天应用中受到限制。在本工作中，我们提供了首次在国际空间站（ISS）上使用基于机器学习的热启动加速轨迹优化的实验结果。我们提出一种数据驱动的最优控制方法，通过顺序凸 convexity programming（SCP）训练神经网络以学习轨迹生成问题的结构。在轨道上，该训练好的神经网络预测轨迹生成问题的解，并依赖SCP求解器为系统强制执行安全约束。我们的训练网络在包括旋转动力学的情况下将求解器收敛所需的迭代次数减少60%，在包含来自训练分布中障碍物的情形下减少50%。该工作代表了在航天应用中使用基于学习的控制的重要里程碑，为未来在机器学习自主引导、导航与控制领域的进一步进步提供了跳板。