OrbitZoo：基于强化学习的真实轨道系统挑战
机器学习
2025-10-16 v3 多智能体系统
摘要
卫星数量的增加和轨道碎片的增多已使太空拥堵成为关键问题，威胁卫星安全和可持续性。诸如碰撞规避、站点保持和轨道机动等挑战需要先进技术来处理动态不确定性和多智能体相互作用。强化学习 (RL) 在该领域展现出广泛前景，使卫星运营能够实现自适应、自主的策略；然而，许多现有的 RL 框架依赖从头开发的定制环境，这些环境常使用简化模型，实施和验证耗时，从而限制其完全捕捉真实世界复杂性的能力。为此，我们引入 OrbitZoo，一个基于高保真行业标准库构建的多智能体 RL 环境，能够实现真实数据生成，支持碰撞规避和合作机动等情景，确保稳健且准确的轨道动力学。该环境经过与真实卫星星座 Starlink 的验证，与真实数据相比的平均绝对百分比误差 (MAPE) 为 0.16%。这一验证确保了为生成高保真仿真并实现自主和独立卫星运营提供了可靠性。
引用
@article{arxiv.2504.04160,
title = {OrbitZoo: Real Orbital Systems Challenges for Reinforcement Learning},
author = {Alexandre Oliveira and Katarina Dyreby and Francisco Caldas and Cláudia Soares},
journal= {arXiv preprint arXiv:2504.04160},
year = {2025}
}
备注
Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)