基于学习的轨道器近距离运动稳定最优引导
系统与控制
2025-01-03 v1 系统与控制
最优化与控制
摘要
机器学习技术已在实现非线性和高维动力系统的自主性和最优性方面显示出有效性。然而，传统的黑箱机器学习方法往往缺乏形式化的稳定性保证，而这在安全敏感的航空航天应用中至关重要。本文提出了一个综合框架，将控制Lyapunov函数与监督学习相结合，为受Clohessy-Wiltshire动力学约束的轨道器近距离运动提供可证明稳定、时程和燃料最优的引导。该框架易于扩展到非线性控制仿射系统。开发了一种新型神经候选Lyapunov函数，以确保正定性。随后，定义了控制策略，其中推力方向向量最小化Lyapunov函数的时间导数，推力节油门由最小必需节油门决定。这一方法确保与控制Lyapunov函数相关的所有损失项要么自然满足，要么被派生的控制策略所取代。为联合监督Lyapunov函数和控制策略，引入了简单损失函数，利用基于多项式图方法获得的最优状态-控制对。因此，训练好的神经网络不仅验证了Lyapunov函数，还生成近似最优的引导策略，甚至适用于bang-bang燃料最优问题。 presented extensive numerical simulations to validate the proposed method。
引用
@article{arxiv.2501.01096,
title = {Learning-Based Stable Optimal Guidance for Spacecraft Close-Proximity Operations},
author = {Kun Wang and Roberto Armellin and Adam Evans and Harry Holt and Zheng Chen},
journal= {arXiv preprint arXiv:2501.01096},
year = {2025}
}