面向空间自由飞行机器人的基于在线信息感知与惯性参数学习的运动规划

像目前在国际空间站上运行的 Astrobee 机器人这样的空间自由飞行机器人，必须在固有的系统不确定性下运行。质量与转动惯量等参数不确定性在这些安全关键的空间系统中尤其需要量化，并且在诸如在轨货物搬运等场景中会发生变化，其中未知的抓取载荷会显著改变系统动力学。谨慎地在途中学习这些不确定性，有可能避免耗时耗燃料的纯系统辨识机动。认识到这一点，本工作提出了 RATTLE，一种在线信息感知运动规划算法，该算法显式地权衡参数模型学习，并结合能够利用改进系统模型的实时重规划能力。该方法由一个双层（全局与局部）规划器、一个底层模型预测控制器，以及一个在线参数估计器组成，后者产生机器人惯性特性的估计，以实现更具信息量的控制和即时重规划；规划与控制的各个层级均具有可在线更新的模型。本文给出了 RATTLE 用于 Astrobee 自由飞行机器人抓取未知载荷的仿真结果，以及硬件演示结果，展示了在达成其他有用运动的同时显式促进模型参数学习的能力。