Core Concepts
신경망 ODEs를 활용하여 시간 최적 행성간 이동 및 질량 최적 착륙을 위한 유도 및 제어 네트워크의 정확도를 향상시킬 수 있다.
Abstract
이 연구는 신경망 ODEs를 활용하여 유도 및 제어 네트워크(G&CNET)의 정확도를 향상시키는 방법을 제안한다. 두 가지 최적 제어 문제를 다루는데, 하나는 시간 최적 행성간 이동이고 다른 하나는 질량 최적 소행성 착륙이다.
먼저 행동 모방 기법을 사용하여 G&CNET을 훈련한다. 이 네트워크는 최적 제어 정책을 나타내는 역할을 한다. 그 다음 신경망 ODEs를 활용하여 G&CNET의 성능을 개선한다. 신경망 ODEs는 미분 가능한 동역학 모델을 제공하므로, 변분 방정식을 통해 네트워크 매개변수에 대한 ODE 민감도를 계산할 수 있다. 이 민감도를 활용하여 네트워크 매개변수를 최적화함으로써 최종 상태 오차를 크게 줄일 수 있다.
행성간 이동 문제의 경우 단일 궤적에서 최종 위치 및 속도 오차를 각각 99% 감소시켰고, 500개 궤적 배치에서 평균 오차를 70% 감소시켰다. 소행성 착륙 문제의 경우 단일 궤적에서 최종 위치 및 속도 오차를 각각 99%와 44% 감소시켰고, 배치에서 평균 오차를 98%와 40% 감소시켰다.
이 방법은 기존 Dataset Aggregation(DaGGER) 기법보다 우수한 성능을 보였다. DaGGER는 계산 비용이 적은 장점이 있지만, 최적 제어 문제를 반복적으로 풀어야 하는 단점이 있다. 반면 신경망 ODEs 기반 방법은 동역학 정보를 활용할 수 있고 최종 상태 오차에 가중치를 줄 수 있는 장점이 있다.
Stats
행성간 이동 문제에서 단일 궤적의 최종 위치 오차가 1,241,662 km에서 2,991 km로 99% 감소했다.
행성간 이동 문제에서 단일 궤적의 최종 속도 오차가 0.09 km/s에서 0.0005 km/s로 99% 감소했다.
소행성 착륙 문제에서 단일 궤적의 최종 위치 오차가 452 m에서 5.4 m로 99% 감소했다.
소행성 착륙 문제에서 단일 궤적의 최종 속도 오차가 0.9 m/s에서 0.5 m/s로 44% 감소했다.
Quotes
"신경망 ODEs를 활용하여 유도 및 제어 네트워크의 정확도를 크게 향상시킬 수 있다."
"신경망 ODEs 기반 방법은 동역학 정보를 활용할 수 있고 최종 상태 오차에 가중치를 줄 수 있는 장점이 있다."