基于机器学习的 swarm 航天器相对轨道转移运动规划
机器人学
2022-01-31 v1 多智能体系统
摘要
本文描述了一种基于机器学习的航天器 swarm 轨迹规划框架。具体而言，我们聚焦于通过被动相对轨道(PRO)转移来协调编队飞行中多航天器的运动。在考虑航天器动力学的同时避免智能体间碰撞，使得航天器 swarm 轨迹规划十分困难。集中式方法可用于解决该问题，但计算量大，且随 swarm 中智能体数量增加可扩展性差。因此，集中式算法不适合由 swarm 组成的小型航天器（如 CubeSats）上的实时轨迹规划。在我们的方法中，使用神经网络来近似集中式方法的求解。必要的训练数据通过使用集中式凸优化框架生成，该框架求解了若干 n=10 航天器 swarm 轨迹规划问题的实例。我们致力于回答以下问题，以揭示基于深度学习的方法在多航天器运动规划问题中的潜在效用：1) 神经网络能否生成满足安全约束（如避碰）且燃料成本低的可行轨迹？2) 使用 n 个航天器数据训练的神经网络能否用于求解不同规模航天器 swarm 的问题？
引用
@article{arxiv.2201.12338,
title = {Machine Learning Based Relative Orbit Transfer for Swarm Spacecraft Motion Planning},
author = {Alex Sabol and Kyongsik Yun and Muhammad Adil and Changrak Choi and Ramtin Madani},
journal= {arXiv preprint arXiv:2201.12338},
year = {2022}
}