Diffusion Policies for Generative Modeling of Spacecraft Trajectories

要約

機械学習は、軌道生成問題を解決し、リソースに制約のある宇宙船の軌道最適化をオンラインで利用する道を切り開く上で、顕著な有望性を示している。しかし、現在の機械学習に基づく軌道生成手法の主な欠点は、大規模なデータセットを必要とし、元の軌道設計要件に対する小さな変更でさえ、パラメータから解へのマッピングを学習するために新しいモデルを再トレーニングする必要があることである。本研究では、6自由度(DoF)動力降下軌道生成のための数ショットフレームワークにおいて、分布外のデータと問題のバリエーションを効率的に適応させるために、構成拡散モデリングを活用する。ある特定の軌道最適化問題の基礎構造しか学習できない従来のディープラーニング手法とは異なり、拡散モデルは解を確率密度関数（PDF）として表現する強力な生成的モデリングの枠組みであり、これにより様々な軌道設計仕様と制約を包含するPDFの合成が可能になる。我々は、推論時間6DoFの最小燃料着陸地点選択と合成可能な制約表現のための合成拡散モデルの能力を実証する。これらのサンプルを6自由度動力降下ガイダンスの初期推測として使用することで、動的に実行可能で計算効率の高い軌道生成が可能となる。

要約(オリジナル)

Machine learning has demonstrated remarkable promise for solving the trajectory generation problem and in paving the way for online use of trajectory optimization for resource-constrained spacecraft. However, a key shortcoming in current machine learning-based methods for trajectory generation is that they require large datasets and even small changes to the original trajectory design requirements necessitate retraining new models to learn the parameter-to-solution mapping. In this work, we leverage compositional diffusion modeling to efficiently adapt out-of-distribution data and problem variations in a few-shot framework for 6 degree-of-freedom (DoF) powered descent trajectory generation. Unlike traditional deep learning methods that can only learn the underlying structure of one specific trajectory optimization problem, diffusion models are a powerful generative modeling framework that represents the solution as a probability density function (PDF) and this allows for the composition of PDFs encompassing a variety of trajectory design specifications and constraints. We demonstrate the capability of compositional diffusion models for inference-time 6 DoF minimum-fuel landing site selection and composable constraint representations. Using these samples as initial guesses for 6 DoF powered descent guidance enables dynamically feasible and computationally efficient trajectory generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL