RL-AVIST：用于太空目标自主视觉检查的强化学习
机器人学
2025-10-28 v1
摘要
随着对轨道服务（如检查、维护和情报）日益增长的需求，能够在大型轨道目标周围执行复杂机动的智能航天器成为必然趋势。传统的控制系统在适应性方面常常不足，尤其是在模型不确定性、多航天器配置或动态演化的任务情境下。本文引入 RL-AVIST，一种用于太空目标自主视觉检查的强化学习框架。利用 Space Robotics Bench（SRB），我们模拟高保真的6自由度航天器动力学，并使用 DreamerV3（一种最先进的基于模型的强化学习算法）进行训练，同时将 PPO 和 TD3 作为基于模型的基线方法。我们的研究聚焦于对目标（如月球门户以及其他太空资产）进行3D 近距离机动任务。我们评估了两种互补的情境下的任务性能：一种是针对随机速度向量进行训练的通用智能体，另一种是针对固定轨迹（模拟已知检查轨道）进行训练的专用智能体。此外，我们还评估了策略在多个航天器形态和任务领域上的鲁棒性和泛化能力。结果表明，基于模型的强化学习在轨迹保真度和样本效率方面展现出具有前景的能力，为未来太空运营的可扩展、可再训练的控制解决方案铺平了道路。
引用
@article{arxiv.2510.22699,
title = {RL-AVIST: Reinforcement Learning for Autonomous Visual Inspection of Space Targets},
author = {Matteo El-Hariry and Andrej Orsula and Matthieu Geist and Miguel Olivares-Mendez},
journal= {arXiv preprint arXiv:2510.22699},
year = {2025}
}