面向行星软着陆的深度 $\mathcal{L}^1$ 随机最优控制策略
系统与控制
2021-09-02 v1 人工智能
机器学习
系统与控制
摘要
在本文中，我们基于非线性随机最优控制（SOC）和 Feynman-Kac 理论原理，提出了一种新颖的基于深度学习的动力下降制导（PDG）问题求解方案。我们的算法将 PDG 问题构建为最小燃料消耗的 SOC 问题来求解。此外，它能够处理实际有用的控制约束、非线性动力学，并将状态约束作为软约束强制执行。这是通过借鉴近期关于深度前向-后向随机微分方程（FBSDEs）以及基于随机搜索的可微非凸优化神经网络层的工作实现的。与以往方法不同，我们的算法不需要约束凸化或动力学线性化，并且经实证表明对随机扰动和航天器初始位置具有鲁棒性。离线训练后，我们的控制器可在航天器进入着陆区预指定半径内且处于预指定高度（即顶点在着陆区、底面为倒置圆锥底的圆台）时激活。我们实证表明，该控制器能够成功且安全地着陆所有在该圆锥底面初始化的轨迹，同时最小化燃料消耗。
引用
@article{arxiv.2109.00183,
title = {Deep $\mathcal{L}^1$ Stochastic Optimal Control Policies for Planetary Soft-landing},
author = {Marcus A. Pereira and Camilo A. Duarte and Ioannis Exarchos and Evangelos A. Theodorou},
journal= {arXiv preprint arXiv:2109.00183},
year = {2021}
}