低地球轨道中多碎片最优任务规划：基于共椭圆转移与燃料补给的深度强化学习方法
机器学习
2026-02-23 v1 机器人学
空间物理
摘要
本文通过引入一个统一的共椭圆机动框架，该框架结合了霍曼转移、安全椭圆接近操作和明确的燃料补给逻辑，解决了低地球轨道中多目标主动碎片清除的挑战。我们在一个包含随机碎片场、禁飞区和速度增量约束的真实轨道仿真环境中，对三种不同的规划算法——贪婪启发式、蒙特卡洛树搜索和基于掩蔽近端策略优化的深度强化学习——进行了基准测试。在100个测试场景上的实验结果表明，掩蔽PPO实现了卓越的任务效率和计算性能，其访问的碎片数量是贪婪方法的两倍，并且在运行时间上显著优于MCTS。这些发现凸显了现代强化学习方法在可扩展、安全且资源高效的空间任务规划方面的潜力，为主动碎片清除自主性的未来发展铺平了道路。
引用
@article{arxiv.2602.17685,
title = {Optimal Multi-Debris Mission Planning in LEO: A Deep Reinforcement Learning Approach with Co-Elliptic Transfers and Refueling},
author = {Agni Bandyopadhyay and Gunther Waxenegger-Wilfing},
journal= {arXiv preprint arXiv:2602.17685},
year = {2026}
}
备注
Presented at Conference: IFAC Workshop on Control Aspects of Multi-Satellite Systems (CAMSAT) 2025 At: Wuerzburg