基于强化学习与凸优化的多重交会机动设计与优化

优化空间飞行器路径对于在轨服务、星座部署和空间碎片离轨等关键应用至关重要。多目标交会是该领域的一项重大挑战。该问题涉及确定访问一组目标的最优顺序及相应的最优轨迹：这构成了一个要求苛刻的 NP-hard 问题。我们引入了一个基于启发式组合优化和序列凸规划的多次交会轨迹设计与优化框架。我们的框架高度模块化，且能够利用通过先进方法和人工启发式获得的候选解。我们通过集成一个用强化学习训练的基于注意力的路径策略来提高组合优化过程的性能，从而展示了这种灵活性。我们表明，用于组合优化的强化学习方法可以有效地应用于航天器路径规划问题。我们将所提出的框架应用于 UARX Space OSSIE 任务：我们能够全面探索任务设计空间，为各种任务场景找到最优巡回和轨迹。