基于暴露的翻滚目标多智能体巡检：使用深度强化学习
机器人学
2023-05-02 v2 人工智能
系统与控制
系统与控制
摘要
随着太空日益拥挤，在轨巡检成为一项愈发重要的活动，无论是为了观察废弃卫星以规划维修，还是为了使其脱轨。然而，在轨巡检任务本身极具挑战性，通常需要多个观测卫星的仔细协调。由于环境高度非线性，目标可能未知或在无法进行持续地面指挥与控制的情况下不可预测地移动，这使得任务更加复杂。因此，需要针对巡检任务的自适应、鲁棒且去中心化的解决方案。为此，我们考虑采用一种分层的学习方法，用于翻滚目标多智能体巡检的去中心化规划。我们的解决方案由两部分组成：使用深度强化学习训练的视点或高层规划器，以及在预先指定视点之间处理点到点导航的导航规划器。我们提出了一种新颖的问题表述和方法，它不仅适用于强化学习衍生的鲁棒策略，而且可扩展至未知目标几何形状以及直接来自传感器输入的更高保真度的信息论目标。在信息有限的情况下，我们训练的多智能体高层策略成功地将信息置于全局分层环境中，并相应地能够巡检超过 90% 的非凸翻滚目标，即使在缺乏额外智能体姿态控制的情况下也是如此。
引用
@article{arxiv.2302.14188,
title = {Exposure-Based Multi-Agent Inspection of a Tumbling Target Using Deep Reinforcement Learning},
author = {Joshua Aurand and Steven Cutlip and Henry Lei and Kendra Lang and Sean Phillips},
journal= {arXiv preprint arXiv:2302.14188},
year = {2023}
}