国际空间站上轨迹优化的深度学习热启动
Astrobee自由飞行机器人在国际空间站完成首次在轨演示：用机器学习热启动加速轨迹优化。方法训练神经网络学习序列凸规划（SCP）求解的轨迹生成问题结构，在轨由网络预测解、SCP求解器强制安全约束。含旋转动力学的案例求解器迭代次数减少60%，障碍物取自热启动模型训练分布的案例减少50%。
发布于 10-27 10:54来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Deep Learning Warm Starts for Trajectory Optimization on the International Space Station》查看原链
arXiv:2505.05588v4 公告类型：替换 摘要：轨迹优化是现代机器人自主性的基石，使系统能够实时计算轨迹和控制，同时满足安全与物理约束。 然而，由于计算需求大，超出大多数飞行计算机的能力，其在航天飞行应用中的使用有限。 在这项工作中，我们提供了在国际空间站（ISS）上对Astrobee自由飞行机器人使用基于机器学习的暖启动来加速轨迹优化的首次在轨演示结果。
我们提出了一种数据驱动的最优控制方法，训练神经网络学习使用序列凸规划（SCP）求解的轨迹生成问题的结构。 在轨运行时，该训练好的神经网络预测轨迹生成问题的解，并依赖SCP求解器来强制执行系统的安全约束。 我们训练的网络在包含旋转动力学的案例中将收敛所需的求解器迭代次数减少了60%，在障碍物来自暖启动模型训练分布的案例中减少了50%。
这项工作代表了基于学习的控制用于航天飞行应用的一个重要里程碑，并为未来机器学习在自主制导、导航与控制中的应用进步奠定了基础。