用于欠驱动卫星姿态控制的深度强化学习策略
机器人学
2025-05-02 v1
摘要
自主性是未来太空探索任务的一个关键挑战。深度强化学习有望开发出能够仅通过与环境交互来学习复杂行为的智能体。本文研究了将强化学习用于卫星姿态控制问题，即航天器相对于惯性参考系的角重定向。在所提出的方法中，一组控制策略被实现为神经网络，并使用定制版的近端策略优化算法进行训练，以操纵一颗小型卫星从随机起始角度机动到给定的指向目标。特别是，我们针对两种工作条件解决了该问题：标称情况，即所有执行器（一组3个反作用轮）均正常工作；以及欠驱动情况，即随机模拟沿某一轴发生执行器故障。我们表明，智能体学会了有效执行大角度回转机动，具有快速收敛性和工业标准的指向精度。此外，我们在代表性硬件上测试了所提出的方法，表明通过采取适当措施，在仿真中训练出的控制器可以在真实系统中表现良好。
引用
@article{arxiv.2505.00165,
title = {Deep Reinforcement Learning Policies for Underactuated Satellite Attitude Control},
author = {Matteo El Hariry and Andrea Cini and Giacomo Mellone and Alessandro Balossino},
journal= {arXiv preprint arXiv:2505.00165},
year = {2025}
}
备注
Originally presented at the NeurIPS 2021 Workshop on Deployable Decision-Making in Embodied Systems