用于近距离操作的小天体引力场基于学习建模：安全性与鲁棒性

精确的引力场模型对于小天体周围的安全近距离操作至关重要。最先进的技术使用球谐函数或高保真多面体形状模型。遗憾的是，这些技术在靠近小天体表面时可能变得不准确，或计算成本高，尤其对于双星或异质小天体。新的基于学习的技术不编码预定义结构且更具通用性。作为通用性的交换，基于学习的技术在训练数据域外可能鲁棒性较差。在部署中，航天器轨迹是动力学数据的主要来源。因此，训练数据域应包含航天器轨迹，以准确评估所学模型的安全性和鲁棒性。我们开发了一种直接使用航天器过去轨迹的基于学习引力模型新方法。我们进一步引入一种通过比较训练域内与域外精度来评估基于学习技术安全性与鲁棒性的方法。我们在两个基于学习框架（高斯过程和神经网络）上演示了该安全性与鲁棒性方法。结合所提供的详细分析，我们从经验上确立了在近距离操作中使用学习得到的引力模型时进行鲁棒性验证的必要性。