姿态控制是航天器操作的一个基本方面。模型预测控制（MPC）已成为这一任务的强大策略，它依赖于系统动态的准确模型来优化预测范围内的控制动作。在物理模型不完整、难以推导或计算代价昂贵的情况下，机器学习提供了一种灵活的替代方案，通过直接从数据中学习系统行为。然而，纯数据驱动的模型往往在推广性和稳定性方面存在困难，尤其是在应用于超出训练领域的输入时。为了解决这些限制，我们研究了将物理知识驱动的神经网络（PINNs）纳入航天器姿态动力学学习的好处，并将其性能与纯数据驱动方法进行了比较。我们使用具有自注意机制的实值非体积保持（Real NVP）神经网络架构，对使用Basilisk模拟器生成的模拟数据训练了多个模型。考虑了两种训练策略：完全数据驱动的基线和物理知识驱动的变体，以提高稳健性和稳定性。我们的结果表明，结合物理基础信息显著增强了性能，平均相对误差降低了27.08%。这些优势在将学习模型集成到MPC框架中时尤为明显，PINN基础模型在控制精度和稳健性方面始终优于其纯数据驱动的同类产品，并且在观察噪声和轮廓摩擦条件下与传统MPC方法相比，实现了高达62%的改善。 • 使用归一化流模型和自注意的航天器姿态动力学。 • 比较物理知识驱动和数据驱动的神经网络。 • 将神经网络方法与传统控制器进行了比较。 • 在嘈杂状态观测下提高了闭环控制的稳健性。 • 在参数和观察不确定性下增强了MPC性能。
Cena等人（Sun,）研究了这个问题。