Towards Robust Spacecraft Trajectory Optimization via Transformers

要約

将来のマルチスペースクラフトミッションには、安全で効率的なランデブー運用を確保するために、堅牢な自律軌道最適化機能が必要です。
この機能は、非凸最適な制御問題をリアルタイムで解決することにかかっていますが、連続凸プログラミングなどの従来の反復方法は重要な計算上の課題を課します。
この負担を軽減するために、自律的なランデブートランス（ART）は、ほぼ最適な初期推測を提供するために訓練された生成モデルを導入しました。
このアプローチは、より良いローカルオプティマ（燃料最適性など）への収束を提供し、実現可能性率を向上させ、ウォームスタートを通じて最適化アルゴリズムの収束速度が高速になります。
この作業により、ARTの能力が拡張され、堅牢な偶然に制約のある最適な制御問題に対処します。
具体的には、ARTは、低い地球軌道（LEO）の挑戦的なランデブーシナリオに適用され、不確実性の下での誤り耐性の行動を確保しています。
広範な実験を通じて、提案されたウォームスタート戦略は、一貫して高品質の参照軌跡を生成し、従来の方法と比較して最大30 \％のコスト改善と50 \％の実行不可能なケースの50 \％の減少を達成することが示されており、複数の状態表現にわたって堅牢なパフォーマンスを示しています。
さらに、生成された軌道の品質を評価し、ランタイム障害を軽減するために、事後評価フレームワークが提案され、宇宙船などの安全性の高い自律システムにおけるAI駆動型ソリューションの信頼できる展開に向けた最初のステップをマークします。

要約(オリジナル)

Future multi-spacecraft missions require robust autonomous trajectory optimization capabilities to ensure safe and efficient rendezvous operations. This capability hinges on solving non-convex optimal control problems in real-time, although traditional iterative methods such as sequential convex programming impose significant computational challenges. To mitigate this burden, the Autonomous Rendezvous Transformer (ART) introduced a generative model trained to provide near-optimal initial guesses. This approach provides convergence to better local optima (e.g., fuel optimality), improves feasibility rates, and results in faster convergence speed of optimization algorithms through warm-starting. This work extends the capabilities of ART to address robust chance-constrained optimal control problems. Specifically, ART is applied to challenging rendezvous scenarios in Low Earth Orbit (LEO), ensuring fault-tolerant behavior under uncertainty. Through extensive experimentation, the proposed warm-starting strategy is shown to consistently produce high-quality reference trajectories, achieving up to 30\% cost improvement and 50\% reduction in infeasible cases compared to conventional methods, demonstrating robust performance across multiple state representations. Additionally, a post hoc evaluation framework is proposed to assess the quality of generated trajectories and mitigate runtime failures, marking an initial step toward the reliable deployment of AI-driven solutions in safety-critical autonomous systems such as spacecraft.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google