基于高阶展开与神经网络的相位间相对轨迹规划

《Aerospace Science and Technology》:Multi-Phase Relative Trajectory Planning Using High-Order Expansion and Neural Network

【字体: 大 中 小 】 时间:2026年05月19日 来源:Aerospace Science and Technology 5.8

编辑推荐:

  针对在轨服务(OOS)任务中相位间相对轨迹的端到端设计与自主规划问题,研究人员提出了一种基于微分代数(DA)方法的数据高效机器学习框架,用于学习任务约束与机动序列之间的映射关系。从先验机动策略出发,构建了基于DA的多相位轨迹展开方案,生成参考轨迹的过渡多项式,

  
针对在轨服务(OOS)任务中相位间相对轨迹的端到端设计与自主规划问题,研究人员提出了一种基于微分代数(DA)方法的数据高效机器学习框架,用于学习任务约束与机动序列之间的映射关系。从先验机动策略出发,构建了基于DA的多相位轨迹展开方案,生成参考轨迹的过渡多项式,并在各阶段之间保持约束一致性。该多项式模型可通过低成本的多项式求值实现大规模数据集生成,避免了重复且计算密集的数值传播。随后,研究人员利用反向传播训练深神经网络(DNN),使其能够根据约束变量直接推断机动序列,同时弥补先验策略的不足。训练完成后,网络可在不同约束条件下瞬时生成机动序列,无需人工调参及迭代计算。该框架将数据驱动学习与动力学先验相结合,显著降低了数据生成成本并提升了规划效率。通过在典型多相位OOS场景下的验证,并在两种不同先验机动策略(解析型与数值型)下评估数据生成效果,结果表明基于DA的数据生成方法将计算时间缩短90%以上,证明了该方法在多相位相对轨迹规划中的有效性与工程适用性。
本研究发表于《Aerospace Science and Technology》,围绕在轨服务(OOS)任务中的多相位相对轨迹规划问题展开。随着航天活动规模扩大,轨道航天器数量增长,发射失败、寿命末期处置及在轨故障等问题频发,经济损失与环境风险显著提升。OOS任务通过无人服务航天器执行近距离接近、维护、补给和功能升级等操作,其前提是建立并保持服务航天器与目标航天器的近距离相对飞行。然而,多相位任务(如接近、飞越、悬停、交会对接)存在跨阶段的强耦合效应,导致传统设计方法依赖人工调参或重复优化,计算负担大,难以满足紧急或自主场景的快速响应需求。现有方法分为解析法与数值法两类:前者基于线性化动力学模型,计算简洁但精度有限,常需人工修正;后者通过数值积分与迭代优化获得高精度轨迹,但计算成本高。机器学习方法虽在航天控制中取得进展,但受限于昂贵的数据生成与稀缺的在轨样本,难以在工程中广泛应用。为此,研究人员引入微分代数(DA)方法,将常微分方程流场展开为高阶泰勒多项式,在不重复进行全保真仿真的情况下快速评估扰动轨迹,为大规模数据生成提供了可行途径。
研究人员采用的主要关键技术方法包括:(1) 基于微分代数(DA)的多相位轨迹高阶展开,以少量参考轨迹生成大量多项式形式的过渡样本;(2) 构建深神经网络(DNN)学习约束参数与机动序列的映射,并补偿先验策略的缺陷;(3) 在两种先验机动策略下(解析型 e/i 向量法与数值型最优点火法)验证数据生成效率与规划性能。
研究结果显示:
多相位相对轨迹规划问题描述——研究人员将OOS任务建模为服务航天器通过脉冲机动依次到达多个带配置约束的相对位置的过程,明确了跨阶段耦合与约束一致性的重要性。
DA-based机器学习框架——通过DA展开,将机动序列表示为约束参数的多项式,实现快速采样并保留物理意义,避免重复数值传播。
OOS场景轨迹设计——在典型任务场景中分别采用解析型和数值型先验策略生成参考轨迹,验证了DA方法在不同策略下的通用性。
结论——基于DA的数据生成方法可减少90%以上的计算时间,训练后的DNN可在给定约束下瞬时输出可行机动序列,显著提升规划效率与自主性。
讨论与结论部分指出,该研究通过将DA与深度学习结合,实现了多相位相对轨迹的高效端到端规划,解决了传统方法在紧急任务中响应慢、人工干预多的问题。提出的过渡多项式展开方法不仅保留了多相位约束结构,还确保了样本的物理可行性。研究结果证明,该框架在降低数据生成成本的同时,保持了较高的规划精度,为未来在轨自主控制与快速任务重规划提供了可行的技术路径。
相关新闻
生物通微信公众号
微信
新浪微博

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