基于隐式神经表示的几何复杂目标近距离运动安全鲁棒控制

本研究解决了确保航天器近距离运作安全的问题，特别是考虑到扰动下作战航天器与复杂几何目标航天器之间的碰撞避免。为确保此类情景下的安全性，提出了一种利用隐式神经表示的安全鲁棒控制框架。为处理任意目标几何而无需显式建模，学习基于点云数据的神经符号距离函数（SDF），通过增强的隐式几何正则化方法实现，该方法包含保角近似策略，以创建保守且优先考虑安全的边界。目标表面由学习得到的神经 SDF 的零水平集隐式定义，而数值和梯度为安全控制器设计提供关键信息。该神经 SDF 表示为两层层次化安全鲁棒控制框架提供了基础：安全速度生成层和安全鲁棒控制层。在第一层中，构建二阶锥规划以显式包含近似误差界，生成确保安全的参考速度。此外，引入循环不等式以缓解控制屏障函数（CBF）方法常见的局部最小值问题。在第二层中，集成扰动观测器和光滑安全滤波器，显式补偿估计误差，增强对外部扰动的鲁棒性。广泛的数值仿真和蒙特卡罗分析验证了所提出框架，证明其在安全裕度和局部最小值方面显著优于传统 CBF 方法。