Arranjo Inicial de Aprendizado Profundo para Otimização de Trajetória na Estação Espacial Internacional

A otimização de trajetória é uma pedra angular da autonomia moderna de robôs, permitindo que sistemas computem trajetórias e controles em tempo real, respeitando restrições de segurança e físicas. No entanto, sua utilização em aplicações de voo espacial tem sido limitada devido às elevadas demandas computacionais que excedem a capacidade da maioria dos computadores de voo. Neste trabalho, apresentamos resultados da primeira demonstração em espaço de uso de arranjo inicial baseado em aprendizado de máquina para acelerar a otimização de trajetória para o robô Astrobee, que voa livremente a bordo da Estação Espacial Internacional (ISS). Formulamos uma abordagem de controle ótimo orientada a dados que treina uma rede neural para aprender a estrutura do problema de geração de trajetória sendo resolvido usando programação convexa sequencial (SCP). A bordo, essa rede neural treinada prevê soluções para o problema de geração de trajetória e depende do uso do solucionador SCP para impor as restrições de segurança para o sistema. Nossa rede treinada reduz o número de iterações do solucionador necessário para a convergência em casos que incluem dinâmica rotacional em 60% e em casos com obstáculos retirados da distribuição de treinamento do modelo de arranjo inicial em 50%. Este trabalho representa um marco significativo no uso de controle baseado em aprendizado para aplicações de voo espacial e um passo importante para futuros avanços no uso de aprendizado de máquina para orientação, navegação e controle autônomos.