基于深度网络的行星际转移实时最优制导与控制
神经与进化计算
2020-02-24 v1 系统与控制
系统与控制
摘要
我们考虑低推力航天器的地球-金星质量最优行星际转移，并展示最优制导如何在大范围状态空间内以高精度由深度网络表示。采用最优样例的模仿（监督）学习作为网络训练范式。所得模型适用于航天器最优制导与控制系统的星上实时实现，称为G&CNETs。提出并展示了一种称为最优样例反向生成的新通用方法，能够高效创建训练G&CNETs所需的全部最优状态-动作对，而无需求解最优控制问题。相较于先前工作，我们能够生成包含多数量级更多最优轨迹的数据集，并获得符合实际任务需求的网络性能。提出并测试了若干可训练最优策略（推力剖面）或值函数（最优质量）表示的方案。我们发现策略学习与值函数学习均成功且精确地学习了最优推力，采用所学推力的航天器仅比相应数学最优转移多消耗2‰的推进剂即可到达目标条件轨道。此外，最优推进剂质量（在值函数学习情况下）的预测误差远小于1%。所有生成的G&CNETs均在行星际转移仿真中测试了其从标称与非标称条件出发最优到达目标条件的能力。
引用
@article{arxiv.2002.09063,
title = {Real-Time Optimal Guidance and Control for Interplanetary Transfers Using Deep Networks},
author = {Dario Izzo and Ekin Öztürk},
journal= {arXiv preprint arXiv:2002.09063},
year = {2020}
}