航天器神经制导与控制中的最优性原理
机器人学
2024-06-24 v1 地球与行星天体物理
机器学习
摘要
旨在探索太阳系的航天器与无人机被设计用于在机载资源智能使用对任务成败至关重要的条件下运行。因此，传感运动动作通常源自分配给各任务的高层、可量化的最优性原理，并利用最优控制理论中的成熟工具。规划动作在地面推导并传至星上，由控制器跟踪上注的制导剖面。本文我们认为，端到端神经制导与控制架构（此处称为 G&CNets）能够将依据这些最优性原理行动的负担转移至星上。以此方式，传感信息被实时转化为最优规划，从而提升任务自主性与鲁棒性。我们讨论了在星际转移、着陆与近距离操作仿真中训练此类神经架构所获得的主要结果，突出了神经模型对这些最优性原理的成功学习。随后我们建议将无人机竞速作为在真实机器人平台上测试这些架构的理想 gym 环境，从而增强在未来空间探索任务中使用的信心。无人机竞速与航天器任务共享有限的星载计算能力以及由所寻最优性原理引发的相似控制结构，但也带来不同水平的不确定性与未建模效应。此外，G&CNets 在资源极度受限的无人机上的成功，说明了其有望将实时最优控制带给空间与地球上更广泛种类的机器人系统。
引用
@article{arxiv.2305.13078,
title = {Optimality Principles in Spacecraft Neural Guidance and Control},
author = {Dario Izzo and Emmanuel Blazquez and Robin Ferede and Sebastien Origer and Christophe De Wagter and Guido C. H. E. de Croon},
journal= {arXiv preprint arXiv:2305.13078},
year = {2024}
}