Optimality Principles in Spacecraft Neural Guidance and Control

要約

太陽系探査を目的とした宇宙船やドローンは、搭載リソースを賢く利用することがミッションの成否にとって極めて重要な条件で動作するように設計されています。
したがって、感覚運動動作は、多くの場合、最適制御理論の統合ツールを利用して、各タスクに割り当てられた高レベルの定量化可能な最適性原理から導出されます。
計画された行動は地上で導出され、管制官がアップロードされた誘導プロファイルを追跡する任務を負う船上に転送されます。
ここで我々は、エンドツーエンドのニューラル ガイダンスおよび制御アーキテクチャ (ここでは G&CNets と呼ぶ) により、これらの最適性原則に基づいて動作する負担をオンボードで転送できると主張します。
このようにして、センサー情報がリアルタイムで最適な計画に変換され、ミッションの自律性と堅牢性が向上します。
我々は、ニューラルモデルによる最適性原則の学習の成功を強調しながら、惑星間移動、着陸、および近接操作のシミュレーションにおけるこのようなニューラルアーキテクチャのトレーニングで得られた主な結果について議論します。
次に、これらのアーキテクチャを実際のロボット プラットフォームでテストするための理想的なジム環境としてドローン レースを提案します。これにより、将来の宇宙探査ミッションでの活用の信頼性が高まります。
ドローンレースは、宇宙船ミッションと同様に、限られた搭載計算能力と、求められる最適性原理から生じる同様の制御構造の両方を共有しますが、さまざまなレベルの不確実性とモデル化されていない影響も伴います。
さらに、リソースが極度に制限されているドローン上での G&CNets の成功は、宇宙と地上の両方で、より幅広い種類のロボット システムの手の届く範囲内でリアルタイムの最適な制御を実現する可能性を示しています。

要約(オリジナル)

Spacecraft and drones aimed at exploring our solar system are designed to operate in conditions where the smart use of onboard resources is vital to the success or failure of the mission. Sensorimotor actions are thus often derived from high-level, quantifiable, optimality principles assigned to each task, utilizing consolidated tools in optimal control theory. The planned actions are derived on the ground and transferred onboard where controllers have the task of tracking the uploaded guidance profile. Here we argue that end-to-end neural guidance and control architectures (here called G&CNets) allow transferring onboard the burden of acting upon these optimality principles. In this way, the sensor information is transformed in real time into optimal plans thus increasing the mission autonomy and robustness. We discuss the main results obtained in training such neural architectures in simulation for interplanetary transfers, landings and close proximity operations, highlighting the successful learning of optimality principles by the neural model. We then suggest drone racing as an ideal gym environment to test these architectures on real robotic platforms, thus increasing confidence in their utilization on future space exploration missions. Drone racing shares with spacecraft missions both limited onboard computational capabilities and similar control structures induced from the optimality principle sought, but it also entails different levels of uncertainties and unmodelled effects. Furthermore, the success of G&CNets on extremely resource-restricted drones illustrates their potential to bring real-time optimal control within reach of a wider variety of robotic systems, both in space and on Earth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google