AI-Driven Risk-Aware Scheduling for Active Debris Removal Missions

要約

地球低軌道 (LEO) におけるデブリの拡散は、宇宙の持続可能性と宇宙船の安全性に対する重大な脅威となっています。
アクティブデブリ除去（ADR）は、この問題に対処する有望なアプローチとして浮上しており、軌道移送機（OTV）を利用してデブリの軌道離脱を促進し、それによって将来の衝突リスクを軽減します。
ただし、ADR ミッションは非常に複雑であり、ミッションを経済的に実行可能で技術的に効果的にするためには正確な計画が必要です。
さらに、これらの整備ミッションでは、進化する軌道条件と変化するミッション要件の下で計画を立てるための高度な自律能力が必要です。
この論文では、最適なデブリ除去シーケンスを計画するように OTV をトレーニングするために、深層強化学習 (DRL) に基づく自律的な意思決定計画モデルが開発されています。
提案されたフレームワークを使用すると、エージェントが最適なミッション計画を見つけ、衝突リスクの高いデブリのリスク処理を含めるように計画を自律的に更新する方法を学習できることが示されています。

要約(オリジナル)

The proliferation of debris in Low Earth Orbit (LEO) represents a significant threat to space sustainability and spacecraft safety. Active Debris Removal (ADR) has emerged as a promising approach to address this issue, utilising Orbital Transfer Vehicles (OTVs) to facilitate debris deorbiting, thereby reducing future collision risks. However, ADR missions are substantially complex, necessitating accurate planning to make the missions economically viable and technically effective. Moreover, these servicing missions require a high level of autonomous capability to plan under evolving orbital conditions and changing mission requirements. In this paper, an autonomous decision-planning model based on Deep Reinforcement Learning (DRL) is developed to train an OTV to plan optimal debris removal sequencing. It is shown that using the proposed framework, the agent can find optimal mission plans and learn to update the planning autonomously to include risk handling of debris with high collision risk.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google