基于物理信息正规化流学习稳健卫星姿态动力学
机器学习
2026-03-30 v3 系统与控制
系统与控制
摘要
姿态控制是航天器运营的基本方面。模型预测控制（Model Predictive Control, MPC）已成为这些任务的强大策略，依赖于对系统动力学的准确模型以在预测时域内优化控制动作。在物理模型不完整、难以推导或计算昂贵的场景中，机器学习通过从数据中直接学习系统行为提供了灵活的替代方案。然而，纯数据驱动模型在泛化性和稳定性方面常常表现不佳，尤其当应用于训练领域之外的输入时。为此，我们研究将物理信息神经网络（Physics-Informed Neural Networks, PINNs）融入卫星姿态动力学学习中的优势，比较其与纯数据驱动方法的性能。我们采用带有自注意力机制的实值非体积保持（Real-valued Non-Volume Preserving, Real NVP）神经网络架构，在由 Basilisk 模拟器生成的仿真数据上训练了多个模型。我们考虑了两种训练策略：一种是纯数据驱动的基线方法，另一种是引入物理信息的改进方案以提升鲁棒性和稳定性。我们的结果表明，纳入物理信息显著提升了性能，尤其在最佳网络结构下，可实现约 27.08% 的平均相对误差降低。这些优势在将所学模型集成到 MPC 框架中时尤为明显，基于 PINN 的模型在控制精度和鲁棒性方面均优于纯数据驱动的方法，在面对观测噪声和轮毫 friction 时，传统 MPC 方法的达成时间可实现最高 62% 的改进。
引用
@article{arxiv.2508.07841,
title = {Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow},
author = {Carlo Cena and Mauro Martini and Marcello Chiaberge},
journal= {arXiv preprint arXiv:2508.07841},
year = {2026}
}