基于生成对抗网络的高效低推力轨迹数据生成
机器学习
2022-09-27 v1 系统与控制
系统与控制
最优化与控制
摘要
近年来，基于深度学习的技术被引入轨迹优化领域。深度神经网络（DNNs）被训练并用作传统优化过程的代理模型。它们可提供低推力（LT）转移代价估计，并支持更复杂的初步任务设计。然而，高效获取训练所需的轨迹数据量是一项挑战。我们采用生成对抗网络（GAN）高效生成可行的 LT 轨迹数据。该 GAN 由生成器与判别器组成，二者均为深度网络。生成器以随机噪声为输入生成伪造的 LT 转移特征，而判别器区分生成器的伪造 LT 转移特征与真实 LT 转移特征。GAN 被训练至生成器生成判别器无法识别的伪造 LT 转移为止。这表明生成器生成的低推力转移特征与真实转移特征同分布。生成的低推力转移数据具有较高收敛率，可用于高效产出深度学习模型的训练数据。所提方法通过在近地小行星（NEA）任务场景中生成可行 LT 转移得到验证。GAN 生成样本的收敛率为 84.3%。
引用
@article{arxiv.2209.06427,
title = {Efficient low-thrust trajectory data generation based on generative adversarial network},
author = {Ruida Xie and Andrew G. Dempster},
journal= {arXiv preprint arXiv:2209.06427},
year = {2022}
}
备注
10 pages, 8 figures