On-orbit Servicing for Spacecraft Collision Avoidance With Autonomous Decision Making

要約

この研究では、宇宙船の衝突回避操作 (CAM) を支援する自律軌道上サービス (OOS) ミッションの AI ベースの実装を開発します。
我々は、強化学習（RL）で訓練された自律的な「サービサー」を提案し、目標衛星とスペースデブリとの間の潜在的な衝突を自律的に検出し、危険にさらされている衛星とランデブーおよびドッキングし、最適なCAMを実行します。
RL モデルは、衝突リスクの推定、衛星の仕様、デブリのデータを統合して、OOS ランデブーと衝突防止のための最適な操縦マトリックスを生成します。
クロスエントロピーアルゴリズムを採用して、最適な意思決定ポリシーを効率的に見つけます。
初期の結果は、1 つのサービサー宇宙船と 1 つの危険にさらされた衛星シナリオに焦点を当てた、衝突回避サービスのための自律型ロボット OOS の実現可能性を実証しています。
ただし、宇宙船のランデブーと最適な CAM を組み合わせると、かなりの複雑さが生じます。
ケーススタディを通じて、フレームワークの実装を成功させるための設計上の課題と重要なパラメーターについて説明します。

要約(オリジナル)

This study develops an AI-based implementation of autonomous On-Orbit Servicing (OOS) mission to assist with spacecraft collision avoidance maneuvers (CAMs). We propose an autonomous `servicer’ trained with Reinforcement Learning (RL) to autonomously detect potential collisions between a target satellite and space debris, rendezvous and dock with endangered satellites, and execute optimal CAM. The RL model integrates collision risk estimates, satellite specifications, and debris data to generate an optimal maneuver matrix for OOS rendezvous and collision prevention. We employ the Cross-Entropy algorithm to find optimal decision policies efficiently. Initial results demonstrate the feasibility of autonomous robotic OOS for collision avoidance services, focusing on one servicer spacecraft to one endangered satellite scenario. However, merging spacecraft rendezvous and optimal CAM presents significant complexities. We discuss design challenges and critical parameters for the successful implementation of the framework presented through a case study.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google