우주선 만남에 적용된 궤적 최적화를 위한 변환기

신뢰할 수 있고 효율적인 궤적 최적화 방법은 자율 동적 시스템에 대한 기본적인 필요로, 로켓 착륙, 초음속 재진입, 우주선 만남 및 도킹과 같은 애플리케이션을 효과적으로 가능하게 합니다. 이러한 안전-critical 애플리케이션 분야 내에서, 떠오르는 궤적 최적화 문제의 복잡성은 전통적 접근법의 성능을 향상시키기 위해 AI 기반 기술의 적용을 촉진했습니다. 그러나 현재의 AI 기반 방법은 전통적 제어 알고리즘을 완전히 대체하려고 시도하거나, 감독 학습을 통해 전통적 방법의 행동을 단지 모방하려고 합니다. 이러한 제한을 해결하기 위해, 본 논문은 자율 만남 변환기(ART)를 제안하고, 예측 및 제어 관점에서 복잡한 궤적 최적화 문제를 해결하는 현대 생성 모델의 능력을 평가합니다. 구체적으로, 본 연구는 변환기가 (i) 이전에 수집된 데이터로부터 근접 최적 정책을 배우고, (ii) 비볼록 최적 제어 문제의 해결을 위한 순차 최적화 프로그램을 워밍업하여 하드 제약 조건 만족을 보장하는 능력을 평가합니다. 예측 관점에서, 결과는 ART가 알려진 연료 최적 궤적을 예측하는 데 있어 다른 학습 기반 아키텍처보다 우수함을 강조합니다. 제어 관점에서, 실증 분석은 변환기를 통해 배운 정책이 (i) 연료 효율성이 더 높은 궤적을 생성할 수 있으며, (ii) 더 적은 순차 최적화 반복에서 얻을 수 있고, (iii) 볼록 최적화 기반 벤치마크와 유사한 전체 실행 시간을 가지고 계산됨을 보여줍니다.