航天器自主避撞决策规划：一种强化学习方法
机器人学
2023-10-31 v1 人工智能
计算机视觉与模式识别
摘要
地球周围的空间环境正日益拥挤，既有在轨活跃航天器，也有空间碎片。为避免潜在碰撞事件，空间态势感知（SSA）活动与避撞（CA）技术的显著进步使得航天器的跟踪与机动愈发精确可靠。然而，这些流程仍在很大程度上需要高度人工干预以作出必要决策。面对日益复杂的空间环境，此类决策策略恐难持续。因此，有必要成功引入更高水平的自动化以支撑关键空间交通管理（STM）流程，从而确保导航大量航天器所需的可靠性。这些流程涵盖从碰撞风险探测、适宜规避动作识别到避撞机动执行的全过程。本文提出一种基于强化学习（RL）技术的航天器自主避撞决策能力实现方案。我们发展了一种基于部分可观测马尔可夫决策过程（POMDP）框架的新方法，用于在考虑认知与偶然不确定性的情况下训练航天器载人工智能（AI）系统。该框架考虑了关于在轨碎片状态的不完善监测信息，并使 AI 系统能有效学习随机策略以执行精确的避撞机动（CAMs）。其目标是成功将自主实施 CAM 的决策过程委派给航天器，无需人工干预。该方法可加快决策响应并实现高度分散化运行。
引用
@article{arxiv.2310.18966,
title = {Spacecraft Autonomous Decision-Planning for Collision Avoidance: a Reinforcement Learning Approach},
author = {Nicolas Bourriez and Adrien Loizeau and Adam F. Abdin},
journal= {arXiv preprint arXiv:2310.18966},
year = {2023}
}
备注
Preprint accepted in the 74th International Astronautical Congress (IAC) - Baku, Azerbaijan, 2-6 October 2023