火星升空車在推進系統故障下的聯合軌跡重規劃：基於次最優學習型暖啟動的方法

Core Concepts

提出一種次最優聯合軌跡重規劃(SJTR)方法,在凸優化框架內聯合優化目標軌道和飛行軌跡,並設計基於學習的暖啟動方案,提高算法的收斂性和可靠性。

Abstract

本文針對火星升空車(MAV)在推進系統故障下的軌跡重規劃問題提出了一種次最優聯合軌跡重規劃(SJTR)方法。

首先,文章建立了MAV在推力下降故障下的動力學模型,並提出了基本的燃料最優軌跡優化問題。為了應對故障情況,文章提出了目標軌道重決策原則,將可能的軌道類型分為原目標軌道、救援軌道I型和II型以及任務失敗四種。

接著,文章分析了一般的軌跡重規劃方法,該方法需要分步判斷和優化,可能導致低效和不可行的解。為此,SJTR方法被提出,它在修改切比雪夫-皮卡迭代(MCPI)框架內聯合優化目標軌道和飛行軌跡,通過設計終端約束的罰係數來滿足重決策原則,從而避免複雜的決策過程,得到簡潔快速的重規劃解。

此外,文章設計了基於學習的暖啟動方案,離線訓練深度神經網絡(DNN)以預測當前故障情況下的最佳時間優化變量,在線為SJTR方法提供初始猜測,提高算法的收斂性和可靠性。

通過火星升空車飛行場景下的數值仿真和蒙特卡羅實驗,證明了所提方法的有效性。與一般軌跡重規劃方法相比,SJTR方法消除了分步決策的需要,提高了計算效率和解的可行性,雖然不是最優的,但可提供高可靠性的解決方案,適用於危險的火星升空任務。

Stats

在推力下降故障情況下,MAV的初始位置為r1,0 = [-303.103, -3374.249, 238.074]⊤km。
目標軌道的參數設定為a∗= (300 + RM) km, e∗= 0, i∗= 29.5 deg和Ω∗= 253.2 deg,其中RM = 3396.19 km為火星半徑,最小安全軌道高度為asafe = 250 km。

Quotes

"在火星升空車(MAV)發射任務中,當遇到推力下降型推進系統故障問題時,依賴於逐步判斷的一般軌跡重規劃方法可能無法及時做出決策,可能導致任務失敗。"
"提出的SJTR方法在MCPI框架內聯合優化目標軌道和飛行軌跡,通過設計終端約束的罰係數來滿足重決策原則,從而避免複雜的決策過程,得到簡潔快速的重規劃解。"
"設計的基於學習的暖啟動方案,離線訓練DNN以預測當前故障情況下的最佳時間優化變量,在線為SJTR方法提供初始猜測,提高算法的收斂性和可靠性。"

Key Insights Distilled From

Joint Trajectory Replanning for Mars Ascent Vehicle under Propulsion System Faults: A Suboptimal Learning-Based Warm-Start Approach

by Kun Li, Guan... at arxiv.org 10-01-2024

https://arxiv.org/pdf/2409.19536.pdf

Deeper Inquiries

在火星升空任務中,除了推力下降故障,還有哪些其他常見的故障類型需要考慮?

在火星升空任務中，除了推力下降故障，還有多種其他常見的故障類型需要考慮。這些故障可能包括：

引擎失效：這是最嚴重的故障之一，可能導致整個任務的失敗。引擎失效可能是由於機械故障、燃料供應問題或控制系統故障引起的。

燃料泄漏：燃料系統的泄漏會導致推力不足，影響航天器的升空能力和軌道達成。

導航系統故障：導航系統的故障可能導致航天器無法正確計算其位置和速度，從而影響到軌道的規劃和調整。

通訊故障：通訊系統的故障會影響地面控制中心與航天器之間的聯繫，導致無法及時獲取航天器的狀態信息或發送指令。

結構性故障：航天器的結構性故障，如材料疲勞或損壞，可能會影響其整體性能和安全性。

這些故障類型都可能對火星升空任務的成功造成重大影響，因此在設計和規劃任務時，必須考慮這些潛在的故障情況，並制定相應的應對策略。

如何在SJTR方法中進一步提高目標軌道的最優性,而不影響算法的收斂性和計算效率?

在SJTR方法中，提高目標軌道的最優性而不影響算法的收斂性和計算效率，可以考慮以下幾個策略：

改進懲罰係數的設置：通過對懲罰係數進行動態調整，可以在優化過程中更好地平衡不同的目標，例如在優化半長軸和偏心率時，根據當前的優化狀態調整懲罰係數，以促進更精確的目標軌道達成。

多階段優化策略：在初始階段使用較粗的網格進行快速優化，然後逐步細化網格進行更精確的優化。這樣可以在不影響收斂性的情況下，逐步提高解的精度。

引入自適應學習算法：利用機器學習技術，根據歷史數據和當前狀態自動調整優化參數，從而提高算法的適應性和效率。

增強初始猜測的準確性：通過使用更高質量的初始猜測來啟動優化過程，可以顯著提高收斂速度和最終解的質量。這可以通過訓練深度神經網絡來實現，從而在故障情況下提供更準確的時間優化變量的初始猜測。

這些策略的結合可以在不妨礙算法收斂性和計算效率的前提下，進一步提高目標軌道的最優性。

如何將本文提出的方法擴展到其他類型的航天器軌跡重規劃問題,如月球著陸器或深空探測器?

將本文提出的SJTR方法擴展到其他類型的航天器軌跡重規劃問題，如月球著陸器或深空探測器，可以考慮以下幾個步驟：

調整動力學模型：不同的航天器在不同的環境中運行，必須根據其特定的動力學特性和環境條件（如重力、氣氛等）調整動力學模型。例如，月球著陸器的重力較小，且無大氣阻力，這需要在模型中進行相應的修改。

定制化的目標軌道重決策原則：根據不同任務的需求，設計特定的目標軌道重決策原則。例如，對於月球著陸器，可能需要考慮著陸點的安全性和精確性，而對於深空探測器，則可能更關注於能量效率和任務持續時間。

擴展學習基於的暖啟動策略：利用針對不同航天器的歷史數據訓練深度神經網絡，建立故障情況與最佳重規劃策略之間的映射，從而提高不同任務的重規劃效率。

多任務協同優化：在多個航天器之間進行協同優化，考慮它們之間的相互影響和資源共享，這樣可以提高整體任務的成功率和效率。

通過這些步驟，可以有效地將SJTR方法擴展到其他類型的航天器軌跡重規劃問題，從而提高其在各種任務中的應用潛力和可靠性。