Tight Constraint Prediction of Six-Degree-of-Freedom Transformer-based Powered Descent Guidance

要約

本研究では、トランスフォーマーに基づく動力降下ガイダンス(T-PDG)を拡張し、効率的な6自由度(DoF)燃料最適動力降下軌道生成のために一般化可能なトランスフォーマーに基づく逐次凸化(T-SCvx)を導入する。我々のアプローチは、サンプリングされたデータセットの回転不変変換を採用することにより、非凸動力降下ガイダンスのサンプル効率と解の質を大幅に向上させる。T-PDGは以前、3-DoFの最小燃料降下ガイダンス問題に適用され、ロスレス凸化（LCvx）と比較して解時間を最大1桁改善した。最適制御問題の解におけるタイト制約またはアクティブ制約のセットを予測学習することにより、T-SCvx(Transformer-based Successive Convexification)は、タイト制約のみで初期化された最小サイズの縮小問題を作成し、この縮小問題の解を用いて直接最適化ソルバーをウォームスタートさせる。6-DoF動力降下誘導は、問題の非線形かつ非凸の性質、離散化スキームが解の妥当性に大きく影響すること、参照軌道の初期化がアルゴリズムの収束や発散を決定することなどから、迅速かつ確実に解くことが困難であることが知られています。本研究では、T-PDGを拡張し、6-DoF動力降下誘導問題の逐次凸化(SCvx)定式化のための厳密な制約条件を学習することで、これらの課題に対処します。問題サイズの縮小に加え、初期推測からの収束を促進するために、実行可能で局所的に最適な参照軌道も学習される。T-SCvxはオンボードでリアルタイムの誘導軌道計算を可能にし、6DoF火星動力着陸応用問題で実証された。

要約(オリジナル)

This work introduces Transformer-based Successive Convexification (T-SCvx), an extension of Transformer-based Powered Descent Guidance (T-PDG), generalizable for efficient six-degree-of-freedom (DoF) fuel-optimal powered descent trajectory generation. Our approach significantly enhances the sample efficiency and solution quality for nonconvex-powered descent guidance by employing a rotation invariant transformation of the sampled dataset. T-PDG was previously applied to the 3-DoF minimum fuel powered descent guidance problem, improving solution times by up to an order of magnitude compared to lossless convexification (LCvx). By learning to predict the set of tight or active constraints at the optimal control problem’s solution, Transformer-based Successive Convexification (T-SCvx) creates the minimal reduced-size problem initialized with only the tight constraints, then uses the solution of this reduced problem to warm-start the direct optimization solver. 6-DoF powered descent guidance is known to be challenging to solve quickly and reliably due to the nonlinear and non-convex nature of the problem, the discretization scheme heavily influencing solution validity, and reference trajectory initialization determining algorithm convergence or divergence. Our contributions in this work address these challenges by extending T-PDG to learn the set of tight constraints for the successive convexification (SCvx) formulation of the 6-DoF powered descent guidance problem. In addition to reducing the problem size, feasible and locally optimal reference trajectories are also learned to facilitate convergence from the initial guess. T-SCvx enables onboard computation of real-time guidance trajectories, demonstrated by a 6-DoF Mars powered landing application problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL