面向航天器近距离作业的鲁棒性非贪心控制屏障函数的元强化学习
系统与控制
2026-02-10 v1 系统与控制
动力系统
摘要
自动航天器检查和对接任务需要能够在推力约束和不确定性下保证安全的控制器。输入约束控制屏障函数(ICCBF)提供了一种在受限执行力量下进行安全认证的框架;然而，传统的 ICCBF 公式可能过于保守，且对不确定性鲁棒性有限，导致高燃料消耗和任务可行性降低。本文提出了一种框架，其中定义 ICCBF 递归的完整 class- 函数层次结构被参数化和学习，以实现安全集的局部调制和降低保守性。通过微分代数高效计算控制裕度，从而使学习得到的连续时间 ICCBF 能够在航天器近距离作业中典型的离散动态系统上实现采样。开发了一种元强化学习方案，用于训练生成 ICCBF 参数的策略，这种参数化覆盖隐藏物理参数和不确定性的分布，采用多层感知器(MLP)和循环神经网络(RNN)体系结构。仿真结果表明，在巡航控制、航天器检查和对接场景中，所提出的方法在保持安全性的同时，相较于固定 class- ICCBF 减少了燃料消耗并提高了可行性，其中 RNN 在更复杂的检查场景中显示出显著优势。
引用
@article{arxiv.2602.07335,
title = {Meta-Reinforcement Learning for Robust and Non-greedy Control Barrier Functions in Spacecraft Proximity Operations},
author = {Minduli C. Wijayatunga and Richard Linares and Roberto Armellin},
journal= {arXiv preprint arXiv:2602.07335},
year = {2026}
}