利用迁移学习进行太阳帆轨道成本估算

《Advances in Space Research》:Solar Sail Trajectory Cost Estimation With Transfer Learning

【字体: 大 中 小 】 时间:2026年04月09日 来源:Advances in Space Research 2.8

编辑推荐:

  本文提出利用迁移学习技术优化太阳能帆板的多目标轨道转移计算。通过对比传统从头训练人工神经网络与基于预训练模型的迁移学习方法,证明后者在模型切换时仅需少量样本即可达到较高精度,显著降低训练时间和计算成本。研究采用两种不同帆板模型验证,发现迁移学习可保持模型泛化能力同时减少数据需求。

  
Edward Tomanek-Volynets|Matteo Ceriotti|Colin R. McInnes
格拉斯哥大学,英国格拉斯哥,G12 8QQ

摘要

许多未来的太空任务需要评估大量的轨道转移方案,以确定最佳组合(例如用于小行星探索或碎片清除),这些任务可能会使用低推力推进方式,如太阳帆推进。优化单个轨迹已经是一个非平凡的过程,因此对于多目标任务来说,评估数百万个轨迹在计算上可能会非常昂贵。如果随着任务设计的变化而改变航天器模型,这种成本还会进一步增加,这意味着之前计算出的轨迹集可能需要重新评估。人工神经网络常被用来快速估算最优轨迹的成本,但需要预先进行计算,包括生成用于训练的预优化轨迹。本文考虑了一个场景,其中需要评估两种太阳帆模型,并训练人工神经网络来估算最小时间转移的持续时间。研究表明,无需为两种模型重新训练人工神经网络(这需要一个庞大的训练数据库)——相反,一个在一种模型上训练到较高准确度的人工神经网络可以在较小的训练数据库上针对另一种模型(以及任意多的其他模型)进行微调,从而节省大量时间用于数据库生成。

引言

许多未来的太空任务可能会涉及大规模的轨迹规划问题。特别值得关注的是多小行星和多碎片清除任务,这些任务需要与多个小行星或太空碎片对象依次会合。这类任务需要复杂的轨迹设计(通常在全局轨迹优化竞赛中提出(Izzo和Martens,2018年;Izzo等人,2024年)),包括选择会合序列——这是一个组合问题,不仅属于NP难问题,还需要计算数百万(或更多)目标对之间的轨迹。由于这些任务很可能采用低推力推进方式(包括太阳帆推进),因此这些轨迹计算涉及优化大量变量,计算成本非常高,计算大量轨迹往往难以实现。
因此,多年来,人们通常用一个近似模型来替代这些阶段的轨迹计算,该模型仅输出最优轨迹的成本(太阳帆的飞行时间)。这种模型通常是人工神经网络(ANN),它是在已经优化的大量轨迹上训练得到的。这种方法在电推进(通常使用最小燃料转移)(Viavattene和Ceriotti,2022年;Xie和Dempster,2021年;Acciarini等人,2024年)以及太阳帆推进的轨迹(Song和Gong,2019年)中得到了广泛研究。研究表明,人工神经网络的性能通常优于其他近似方法,后者可能使用简化的动力学模型(如高推力推进的Lambert弧)或简化的控制律(Acciarini等人,2024年)。
然而,训练人工神经网络来近似最优轨迹需要预先生成大量的优化轨迹数据库,通常需要数万到数十万个样本,这本身就非常耗时。人工神经网络并不能完美匹配真实解,其准确性取决于训练样本的数量,因此在生成数据库以训练人工神经网络所投入的时间与从训练模型获得的准确性之间存在权衡。如果任务需要考虑多种不同的可能的轨迹模型(例如涉及不同的推进系统参数),则需要为每个模型生成新的数据库和人工神经网络(例如在Xie等人(2023年)的研究中)。可以在一系列推进系统模型上训练人工神经网络(Viavattene等人,2022年)(尽管这尚未应用于太阳帆轨迹),但这假设事先已知这些模型的范围,并且是一个更复杂的问题,通常会导致较低的准确性并需要更多的训练数据。
人工神经网络可以通过迁移学习(Transfer Learning,TL)的方式在相关任务之间保留知识(Zhuang等人,2021年)。这在图像分类等任务中很常见,因为在一组图像上学习到的特征仍然可用于分类不同类型的图像——人工神经网络只需重新学习如何处理这些特征以生成预测。通常情况下,人工神经网络的前几层会学习更通用的“特征”信息,而后面的层则更针对特定问题进行优化(尽管这更多基于直觉和经验观察而非理论)。因此,如果一个在某项任务上训练过的人工神经网络面临另一个相关任务,可以固定定义前几层的参数,仅重新训练后面的层——这通常需要较少的训练样本,因为需要调整的参数较少,而已经固定的参数已经很好地学习了它们的信息。
Tomanek-Volynets等人(2025年)在轨迹成本估算器的背景下应用了迁移学习。他们训练了一个在一种质量最优航天器(采用电推进)上的人工神经网络,并将其微调以适用于具有其他推进器参数的航天器轨迹。本研究的目的是证明,一个训练用于近似一种太阳帆配置的最优时间轨迹的人工神经网络可以通过迁移学习方法微调以近似任意不同的配置。为一种太阳帆(Sail 1)创建了一个优化转移的数据库(使用基于形状的方法,尽管精确的轨迹模型不应影响结果的有效性),并训练了一个人工神经网络来近似飞行时间(创建了ANN 1)。为另一种太阳帆模型(Sail 2)创建了另一个数据库。研究表明,在Sail 2的数据库上微调ANN 1所需的训练样本少于从头开始训练新模型所需的样本。除了需要更少的训练样本(从而节省了训练数据库的生成时间)外,这还减少了需要调整的超参数数量,进一步节省了时间。

部分摘录

问题表述

假设一艘航天器需要从一条轨道上的状态通过太阳帆(具有特征加速度ac)的推进,执行到另一条轨道上的移动目标。出发时刻是固定的(设为t0=0),因此出发状态由一组完整的轨道元素参数化:
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号