要約
効果的な軌道生成は、信頼性の高い宇宙船の自律性のために不可欠です。
数あるアプローチの中でも、学習ベースのウォームスタートは、最適化手法とデータ駆動型手法の利点を効果的に組み合わせて、軌道生成問題を解決するための魅力的なパラダイムを表しています。
学習ベースの軌道生成に対する現在のアプローチは、多くの場合、固定された単一シナリオ環境に焦点を当てており、障害物の位置や最終時間要件などの主要なシーン特性が問題インスタンス全体で一定のままです。
ただし、実際の軌道生成ではシナリオを頻繁に再構成する必要があるため、単一シナリオのアプローチは非現実的な解決策となる可能性があります。
この課題に対処するために、マルチモーダル データ ソースから学習できる大容量トランスフォーマー ニューラル ネットワークを活用することで、さまざまな問題構成を一般化する新しい軌道生成フレームワークを提案します。
具体的には、私たちのアプローチは、トランスベースのニューラルネットワークモデルを軌道最適化プロセスに統合し、シーンレベルの情報（障害物の位置、初期状態と目標状態など）と軌道レベルの制約（時間制限、燃料消費目標など）の両方をエンコードします。
マルチモーダルな表現。
次に、変換ネットワークは非凸最適化問題に対して最適に近い初期推定を生成し、収束速度とパフォーマンスを大幅に向上させます。
このフレームワークは、フリーフライヤー プラットフォームでの大規模なシミュレーションと実際の実験を通じて検証されており、従来のアプローチに対して最大 30% のコスト改善と実行不可能なケースの 80% 削減を達成し、多様なシナリオのバリエーションにわたって堅牢な一般化を実証しています。
要約(オリジナル)
Effective trajectory generation is essential for reliable on-board spacecraft autonomy. Among other approaches, learning-based warm-starting represents an appealing paradigm for solving the trajectory generation problem, effectively combining the benefits of optimization- and data-driven methods. Current approaches for learning-based trajectory generation often focus on fixed, single-scenario environments, where key scene characteristics, such as obstacle positions or final-time requirements, remain constant across problem instances. However, practical trajectory generation requires the scenario to be frequently reconfigured, making the single-scenario approach a potentially impractical solution. To address this challenge, we present a novel trajectory generation framework that generalizes across diverse problem configurations, by leveraging high-capacity transformer neural networks capable of learning from multimodal data sources. Specifically, our approach integrates transformer-based neural network models into the trajectory optimization process, encoding both scene-level information (e.g., obstacle locations, initial and goal states) and trajectory-level constraints (e.g., time bounds, fuel consumption targets) via multimodal representations. The transformer network then generates near-optimal initial guesses for non-convex optimization problems, significantly enhancing convergence speed and performance. The framework is validated through extensive simulations and real-world experiments on a free-flyer platform, achieving up to 30% cost improvement and 80% reduction in infeasible cases with respect to traditional approaches, and demonstrating robust generalization across diverse scenario variations.
arxiv情報
| 著者 | Davide Celestini,Amirhossein Afsharrad,Daniele Gammelli,Tommaso Guffanti,Gioele Zardini,Sanjay Lall,Elisa Capello,Simone D’Amico,Marco Pavone |
| 発行日 | 2024-10-15 15:55:42+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google